差分私有深度生成建模的统一视角
机器学习
2023-09-28 v1 计算机视觉与模式识别
摘要
丰富且海量数据源的可用性极大地推进了机器学习在各领域的应用。然而，涉及隐私关切的数据伴随严格的监管，常禁止数据访问与数据共享。在符合隐私考量下克服这些障碍，对于许多涉及隐私敏感数据的真实应用场景中的技术进步至关重要。差分私有（DP）数据发布提供了一种引人注目的解决方案，其中仅以净化形式公开释放数据，从而在敏感领域实现隐私保护的下游分析与可复现研究。近年来，人们提出了多种方法，通过在深度神经网络之上进行私有训练来实现隐私保护的高维数据生成。本文中，我们提出一种新颖的统一视角，对这些方法加以系统化。我们的视角提供了一个联合设计空间，用于系统性地推导适应不同用例的方法。我们随后讨论不同方法间的优势、局限与内在关联，旨在阐明关键方面并启发未来研究。我们最后给出 DP 数据生成领域的潜在前进路径，以期引导社区迈向推进隐私保护学习的下一重要步伐。
引用
@article{arxiv.2309.15696,
title = {A Unified View of Differentially Private Deep Generative Modeling},
author = {Dingfan Chen and Raouf Kerkouche and Mario Fritz},
journal= {arXiv preprint arXiv:2309.15696},
year = {2023}
}