基于模型反演的差分隐私生成对抗网络
机器学习
2022-10-28 v2 密码学与安全
摘要
为保护训练生成对抗网络（GAN）中的敏感数据，标准方法是在梯度中加入受控噪声的差分隐私（DP）随机梯度下降法。输出合成样本的质量可能受到不利影响，且在这些噪声存在下网络训练甚至可能不收敛。我们提出差分隐私模型反演（DPMI）方法，先将私有数据通过公共生成器映射到潜空间，随后训练具有更好收敛性的低维DP-GAN。在标准数据集CIFAR10与SVHN以及用于自闭症筛查的人脸关键点数据集上的实验结果表明，在相同隐私保证下，基于Inception Score、Fr\'echet Inception Distance和分类准确率，我们的方法优于基于标准DP-GAN的方法。
引用
@article{arxiv.2201.03139,
title = {Differentially Private Generative Adversarial Networks with Model Inversion},
author = {Dongjie Chen and Sen-ching Samson Cheung and Chen-Nee Chuah and Sally Ozonoff},
journal= {arXiv preprint arXiv:2201.03139},
year = {2022}
}
备注
Best Student Paper Award of 13th IEEE International Workshop on Information Forensics and Security (WIFS 2021), Montpellier, France