DPAF：通过前向阶段差分隐私聚合实现图像合成
计算机视觉与模式识别
2023-04-25 v1 密码学与安全
机器学习
摘要
差分隐私合成数据是一种用于敏感数据发布的有前景的替代方案。文献中已提出许多差分隐私生成模型。遗憾的是，它们都受限于合成数据效用低下的问题，尤其是对于高分辨率图像。在此，我们提出 DPAF，一种用于高维图像合成的高效差分隐私生成模型。与先前基于私有随机梯度下降的方法在模型训练的反向阶段添加高斯噪声不同，DPAF 在前向阶段加入差分隐私特征聚合，带来了包括减少梯度裁剪中的信息损失以及聚合的低敏感度等优势。此外，由于不恰当的批大小会对合成数据的效用产生不利影响，DPAF 还通过提出一种非对称训练判别器不同部分的新型训练策略，解决了设置合适批大小的问题。我们在多个图像数据集（最高达 128x128 分辨率图像）上广泛评估了不同方法，以证明 DPAF 的性能。
引用
@article{arxiv.2304.12185,
title = {DPAF: Image Synthesis via Differentially Private Aggregation in Forward Phase},
author = {Chih-Hsun Lin and Chia-Yi Hsu and Chia-Mu Yu and Yang Cao and Chun-Ying Huang},
journal= {arXiv preprint arXiv:2304.12185},
year = {2023}
}