Jan, 2024

对抗机器学习赋能的 OpenWiFi 数据匿名化

PDF
TL;DR通过匿名化实现数据隐私和保护是数据拥有者在将数据转发至其他可能用途之前需要解决的关键问题。本文提出了使用 CTGAN 生成的合成数据作为真实数据的替代品，以解决 OpenWiFi 网络中泄露和信息丢失的问题，并通过聚类算法的相似性评估以及无监督聚类验证指标的比较，表明 K-means 算法在合成数据与真实数据的相似性评估上表现出色。因此，实验结果展示了使用 CTGAN 生成的合成数据作为匿名化数据替代品的可行性。
发现论文，激发创造
  • 基于生成对抗网络的数据合成

    该研究提出了一种名为 table-GAN 的方法，使用生成对抗网络（GANs）合成伪造表格，用于保证数据匿名性和模型兼容性。实验证明，该方法在隐私和模型兼容性之间取得平衡，同时解决了数据泄露问题。

    Jun, 2018

  • 基于 GAN 的皮肤病变分析数据增广和匿名化：关键综述

    使用生成对抗网络进行皮肤病变分析的数据增强试验仅在分布不同的测试集上表现良好，在数据匿名化方面也只在分布不同的测试集上表现良好。因此，对于医学应用需要谨慎使用此技术。

    Apr, 2021

  • k - 匿名和合成数据技术对能量成本和机器学习准确性的影响

    本文研究了 k - 匿名、合成数据等隐私增强技术对机器学习模型能耗和准确性的影响，结果表明应用 k - 匿名到数据集可以降低能耗并保持准确度，而使用合成数据则可以保持能耗不变，但准确性可能会有所下降。

    May, 2023

  • 隐私保护机器学习的合成数据集生成

    提出一种从原始数据集生成安全合成数据集的方法，基于预训练的深度神经网络（DNN）的批量归一化（BN）层统计信息和随机噪声进行优化来匹配原始数据的层次统计分布。该方法可以用于从头开始训练神经网络来产生合理的分类性能。

    Oct, 2022

  • 保护和扩展 —— 使用 GAN 生成时间序列医疗记录的合成数据

    通过比较各种使用生成对抗网络的合成数据生成模型，研究证明了隐私保护生成对抗网络（PPGAN）模型在保护隐私的同时保持了可接受的生成数据质量，为将来医疗应用提供更好的数据保护。

    Feb, 2024

  • AnomiGAN：用于匿名化私人医疗数据的生成对抗网络

    本文提出了一种名为 AnomiGAN 的框架，该框架使用生成对抗网络来可靠地保护个人医疗数据的隐私，同时保持高预测性能，并展示了其在机器学习中的实用性。

    Jan, 2019

  • 使用生成对抗网络进行医学图像合成的数据增强和匿名化

    本研究中，我们提出了一种使用生成性对抗网络通过在两个公共数据集上训练生成合成 MRI 图像的方法，以产生具有脑肿瘤的合成异常 MRI 图像。结果表明这些合成图像提供两个独特的好处，第一是作为数据增强的一种方式，可以提高肿瘤分割的性能，第二，证明了生成模型作为匿名化工具的价值，通过使用合成数据，实现了与实际患者数据训练具有可比性的肿瘤分割结果。这些结果为解决医学成像中机器学习面临的两个最大挑战，即病理发现的小发生率和患者数据共享的限制，提供了潜在的解决方案。

    Jul, 2018

  • 基于 GAN 的皮肤病应用生成建模 -- 比较研究

    利用生成对抗网络 (GANs) 创建合成数据是解决医疗数据库隐私政策问题的好方法。本文探讨了集中式和分散式条件和非条件 GANs 的性能以及其在现实和理想情况下生成病变数据的能力，并说明了 GANs 训练过程中潜空间和嵌入可视化的技术，以及 GANs 的真实性和泛化性评估等问题。

    Aug, 2022

  • 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

  • CIAGAN: 有条件身份匿名的生成对抗网络

    该论文提出了一种基于条件生成对抗网络的图像视频去标识化模型 CIAGAN，可以同时保证匿名性和多样性，用于保护隐私并在计算机视觉任务中得到高质量处理结果。

    May, 2020