DP-CGAN：差分隐私合成数据与标签生成
机器学习
2020-01-28 v1 机器学习
摘要
生成对抗网络（GANs）是生成包括图像在内的合成数据的知名模型之一，尤其适用于因原始敏感数据集不公开而无法使用的研究界。该领域的主要挑战之一是保护参与GAN模型训练个体的隐私。为应对此挑战，我们引入一种基于新裁剪与扰动策略的差分隐私条件GAN（DP-CGAN）训练框架，在保护训练数据集隐私的同时提升模型性能。DP-CGAN生成合成数据及相应标签，并利用近期引入的Renyi差分隐私会计法追踪已花费的隐私预算。实验结果表明，DP-CGAN在MNIST数据集上以个位数的epsilon参数在差分隐私下可生成视觉与经验上令人满意的结果。
引用
@article{arxiv.2001.09700,
title = {DP-CGAN: Differentially Private Synthetic Data and Label Generation},
author = {Reihaneh Torkzadehmahani and Peter Kairouz and Benedict Paten},
journal= {arXiv preprint arXiv:2001.09700},
year = {2020}
}
备注
7 pages, 4 figures