基于卷积GAN的差分隐私合成医疗数据生成
机器学习
2021-12-14 v1 人工智能
摘要
深度学习模型在图像分类和语音处理等多个应用问题中已展现出优越性能。然而，使用健康记录数据创建深度学习模型需要解决某些隐私挑战，这给该领域的研究人员带来了独特的关切。处理此类隐私数据问题的一种有效方法是生成逼真的合成数据，其可提供实际可接受的数据质量并相应地保证模型性能。为应对这一挑战，我们开发了一种使用Rényi差分隐私的合成数据生成差分隐私框架。我们的方法建立在卷积自编码器和卷积生成对抗网络(generative adversarial networks, GAN)之上，以保留所生成合成数据的某些关键特征。此外，我们的模型还能捕获原始数据中可能存在的时间信息与特征相关性。我们证明，在相同的隐私预算下，使用多个公开可用的基准医疗数据集，在监督与无监督设置中，我们的模型均优于现有的最先进(state-of-the-art, SOTA)模型。
引用
@article{arxiv.2012.11774,
title = {Differentially Private Synthetic Medical Data Generation using Convolutional GANs},
author = {Amirsina Torfi and Edward A. Fox and Chandan K. Reddy},
journal= {arXiv preprint arXiv:2012.11774},
year = {2021}
}