Dec, 2023

基于自注意力的高数据效用差分隐私标签 GAN

PDF
TL;DRDP-SACTGAN 是一种新颖的有条件生成对抗网络（CGAN）框架，用于差分隐私表格数据生成，旨在克服生成对抗网络在生成表格数据方面的局限性并满足差分隐私要求。实验结果表明，DP-SACTGAN 不仅能准确地建模原始数据的分布，还有效地满足差分隐私的需求。
generative adversarial networkstabular datadifferential privacycgandp-sactgan
发现论文，激发创造
  • 使用差分隐私条件生成对抗网络改善在生成不平衡数据中的相关性捕捉

    本文提出了 DP-CGANS，一个不同 ially private conditional GAN 框架，旨在生成逼真且保护隐私的表格数据，其通过数据变换、采样、条件和网络训练进行操作，特别考虑到变量依赖性等挑战，并在多个数据集上展示了模型优越性。

    Jun, 2022

  • 在差分隐私下生成表格数据集

    优化生成模型的质量和隐私之间的平衡，通过引入关注机制学习可逆的表格表示和差分隐私扩散模型来合成高质量的表格数据。

    Aug, 2023

  • 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

  • 使用生成对抗网络合成表格数据

    本文介绍了 Tabular GAN（TGAN），这是一种可以生成表格数据（例如医学或教育记录）的生成对抗网络，利用深度神经网络生成高质量和完全合成的表格，同时生成离散和连续变量。在三个数据集上评估我们的模型时，我们发现 TGAN 在捕捉列之间的相关性和扩展大型数据集方面都优于传统的统计生成模型。

    Nov, 2018

  • 衡量和减轻表格生成模型的隐私风险

    合成数据和生成模型在隐私保护的数据共享解决方案中迅速崛起，并通过在表格综合机上实施全面的实证分析，突出了五种最先进表格综合机的实用 - 隐私权衡，提出了一个新的差分隐私表格潜在扩散模型，称为 DP-TLDM，能够在保持可比较的隐私风险水平的同时，显著提高合成数据的实用性。

    Mar, 2024

  • 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

  • PATE-TripleGAN：采用高斯差分隐私的隐私保护图像合成

    通过引入分类器对未标记数据进行预分类并建立三方极小极大博弈，减少对标记数据的依赖性，PATE-TripleGAN 隐私保护训练框架结合 PATE 和 DPSGD 算法，使模型更有效地保留梯度信息，确保隐私保护，并提高模型的效用。

    Apr, 2024

  • CTAB-GAN: 有效的表格数据合成

    本文主要介绍了一种名为 CTAB-GAN 的条件表格 GAN 架构，可以有效地模拟多种数据类型，包括连续和分类变量，并且通过对多项机器学习算法进行测试，在五个数据集上的表现令人印象深刻。

    Feb, 2021

  • CasTGAN: 级联生成对抗网络用于逼真的表格数据合成

    本文提出了一个级联表格生成对抗网络框架（CasTGAN），可生成更逼真的表格数据，模型能捕捉实际数据的限制和相关性，并通过对辅助学习者进行扰动来提高模型抵抗特定攻击的整体稳健性。

    Jul, 2023

  • 使用条件 GAN 建模表格数据

    本篇论文设计了 TGAN 来处理离散与连续的表格数据，使用 7 个模拟数据集和 8 个真实数据集进行比较，结果表明 TGAN 在大多数的真实数据集上比贝叶斯方法表现更好，而其他深度学习方法则表现欠佳。

    Jul, 2019