Aug, 2023

大型公开数据改进差分隐私图像生成质量

PDF
TL;DR使用公共数据可以改善差分隐私机器学习中的隐私准确性权衡，本研究通过使用大规模公共数据改进生成对抗网络 (GANs) 中差分隐私图像生成的质量，并提供了一种有效利用公共数据的改进方法。我们方法的假设是公共数据分布的支持包含私人数据的支持；例如，公共数据来自通用的互联网规模的图像源，而私人数据由特定类型的图像组成。详细评估表明，我们的方法相对于使用公共数据的现有方法，在 FID 分数和其他指标上均达到了 SOTA 水平，并能以差分隐私方式生成高质量真实感的图像。
public datadifferentially private machine learningimage generationgenerative adversarial networks (gans)fid score
发现论文，激发创造
  • 为私有深度学习生成人工数据

    利用生成对抗网络产生保护隐私的人造数据，限制潜在的隐私泄露，且成功地在此数据上训练和验证机器学习模型。

    Mar, 2018

  • 精细选择 1% 数据集进行预训练！生成带语义查询的差分私有图像数据

    DP 图像数据合成方法 PRIVIMAGE 通过精选预训练数据、轻参数化生成模型和隐私保护梯度下降等技术，实现高保真度和高效用性的 DP 数据集的创建，并在综合实验中展现出超越业界方法的合成性能和资源节约效果。

    Oct, 2023

  • 具有鉴别信息的私有集生成

    本研究提出了一种基于判别信息的生成模型训练方法，通过优化一小部分样本的代表性，以实现高维数据的差分隐私保护，并有效提升了现有生成模型的样本效用。

    Nov, 2022

  • 差分隐私深度生成模型的统一视角

    利用不同隐私保护方法在深度神经网络上进行私密训练，以实现维度较高的数据生成，并提出统一的方法以提供系统性的派生方法，满足不同用例的需求，探讨不同方法之间的优势、限制和内在相关性以启发未来研究，并提出前进的潜在途径以推动隐私保护学习领域的发展。

    Sep, 2023

  • 学习差分隐私概率模型保护隐私的图像生成

    本文提出一种学习差分隐私概率模型（DPPM），用于生成具有差分隐私保证的高分辨率图像，通过训练模型以适合训练数据的分布并在过程中执行随机响应机制，然后进行哈密顿动力学采样以及由训练概率模型预测的差分隐私运动方向，以获得保护隐私信息的图像，相比其他最先进的差分隐私生成方法，我们的方法可以生成高达 256x256 具有显着视觉质量和数据实用性的图像，大量实验表明我们的方法的有效性。

    May, 2023

  • 针对时间序列、连续型和离散型开放数据的差分隐私生成对抗网络

    本文提出了一种隐私保护的数据发布框架，该框架基于差分隐私，可以适应不同类型的数据，使用深度学习和生成模型来生成数据，具有良好的效率和实用性，并在法国公共管理和经典基准数据集上进行了验证。

    Jan, 2019

  • 通过深度生成模型实现的差分隐私发布（技术报告）

    本文提出了一个名为 dp-GAN 的数据发布框架，采用差分隐私的方式对原始数据进行训练，从而可以生成任意数量的合成数据来进行各种分析任务，该框架具有理论上的隐私保证，保留了所发布模型的可接受效用，并且采用多重优化策略实现了实用的训练可扩展性和稳定性。

    Jan, 2018

  • 差分隐私生成对抗网络

    本文通过在学习过程中添加特别设计的梯度噪声来实现差分隐私的生成对抗网络（DPGAN），以解决 GAN 在应用于私人或敏感数据时可能泄露关键信息的问题，并提供隐私保障的严格证明和全面的实证证据。

    Feb, 2018

  • 从私有化数据中训练生成模型

    本文提出了一种基于局部差分隐私的生成对抗网络训练方法，通过熵正则化 Wasserstein 距离的组合使用来降噪数据分布，有效地缓解了正则化偏差和隐私噪声效应。

    Jun, 2023

  • DP-CGAN：差分隐私合成数据和标签生成

    通过引入一种新的剪辑和扰动策略，基于 Renyi 差分隐私监管机制，提出了一种差分隐私条件生成式对抗网络（DP-CGAN）训练框架，用于在保持培训数据隐私的同时提高模型性能，实验结果表明 DP-CGAN 可以通过单一的差分隐私 epsilon 参数在 MNIST 数据集上生成视觉和实验上有前途的结果。

    Jan, 2020