超越“一刀切”：面向差分隐私表格数据合成的神经网络
机器学习
2025-11-19 v1 密码学与安全
摘要
在差分隐私（Differential Privacy, DP）表格数据合成中，普遍认为统计模型优于基于神经网络（NN）的方法。然而，我们认为这一结论不完整，忽略了稠密相关数据集的挑战，在此类场景下，复杂的依赖关系会压倒统计模型。相对于复杂情境，神经网络更适合由于其能够通过直接从样本中学习来拟合复杂分布。尽管如此，现有的基于神经网络的算法仍存在显著局限。我们因此提出 MargNet，将统计模型的成功算法设计融入神经网络。MargNet 采用自适应边际选择策略，并训练神经网络以生成符合所选边际的数据。在稀疏相关数据集上，我们的方法实现了效用接近最佳统计方法的水平，同时相较于后者实现了平均7倍的加速。更重要的是，在稠密相关数据集上，MargNet 建立了新的研究型成果，将保真度误差降低最高可达26%。我们在 GitHub 上发布了代码。
引用
@article{arxiv.2511.13893,
title = {Beyond One-Size-Fits-All: Neural Networks for Differentially Private Tabular Data Synthesis},
author = {Kai Chen and Chen Gong and Tianhao Wang},
journal= {arXiv preprint arXiv:2511.13893},
year = {2025}
}
备注
18 pages. Github Link provided: https://github.com/KaiChen9909/margnet