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
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
GeoPointGAN 是一种基于 GAN 的解决方案,用于生成具有高效和隐私保证的合成空间点数据集,具有标签局部差分隐私保证,并通过随机响应机制将‘真实’和‘虚假’数据的标签翻转来实现。实验结果表明,与竞争对手相比,GeoPointGAN 的性能显着提高了 10 倍,同时实现了较强的隐私保护和机器学习性能。
May, 2022
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
本篇论文提出了一种基于不同 ially private 框架和卷积自编码器以及卷积生成对抗网络生成合成数据的方法,以应对使用医疗记录数据所面临的隐私困难,该方法能够捕捉到原始数据中存在的时间信息和特征相关性,并在有监督和无监督情况下使用公开可用的标准医疗数据集,优于现有的同类方法。
Dec, 2020
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
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
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
提出了一种基于差分隐私的自编码生成模型和变分自编码生成模型,这些模型可以有效地保护深度学习的隐私,并且经过评估具有较强的鲁棒性。
Dec, 2018
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