差分隐私生成对抗网络
机器学习
2018-02-20 v1 密码学与安全
机器学习
摘要
生成对抗网络（GAN）及其变体近期因作为生成模型所具有的优雅理论基础和优异经验性能而引起了 intensive 的研究兴趣。这些工具在为数据可用性受限的研究提供了有前景的方向。GAN 中的一个常见问题是，所学生成分布的概率密度可能集中在训练数据点处，这意味着由于深度网络的高模型复杂度，它们容易记住训练样本。当 GAN 应用于患者医疗记录等私有或敏感数据时，这成为主要关注点，且分布的集中可能泄露关键患者信息。为解决此问题，本文我们提出了一种差分隐私 GAN（DPGAN）模型，其中我们通过在训练过程中向梯度添加精心设计的噪声而在 GAN 中实现差分隐私。我们提供了隐私保证的严格证明，以及支持我们分析的全面经验证据，其中我们展示了我们的方法可在合理隐私水平下生成高质量数据点。
引用
@article{arxiv.1802.06739,
title = {Differentially Private Generative Adversarial Network},
author = {Liyang Xie and Kaixiang Lin and Shu Wang and Fei Wang and Jiayu Zhou},
journal= {arXiv preprint arXiv:1802.06739},
year = {2018}
}