DPD-fVAE：基于差分隐私解码器的联邦变分自编码器合成数据生成
机器学习
2022-11-22 v1 密码学与安全
计算机视觉与模式识别
摘要
联邦学习（FL）因能处理医疗等领域常见的敏感分布式数据集而受到越来越多的关注。近期工作未直接在这些数据集上训练分类模型，而是考虑训练能够合成不受任何隐私限制的新数据集的数据生成器。因此，合成数据可提供给任何人使用，从而支持在异地进一步评估机器学习架构与研究问题。作为额外的隐私保护层，可在训练过程中引入差分隐私。我们提出 DPD-fVAE，一种带有差分隐私解码器（Differentially-Private Decoder）的联邦变分自编码器，用于合成新的带标签数据集以用于后续机器学习任务。通过仅以 FL 同步解码器组件，我们降低了每轮隐私代价，从而实现更好的数据生成器。在 MNIST、Fashion-MNIST 和 CelebA 上的评估中，我们展示了 DPD-fVAE 的优势，并在 Fréchet Inception Distance 以及在合成数据集上训练的分类器精度方面报告了与相关工作相竞争的性能。
引用
@article{arxiv.2211.11591,
title = {DPD-fVAE: Synthetic Data Generation Using Federated Variational Autoencoders With Differentially-Private Decoder},
author = {Bjarne Pfitzner and Bert Arnrich},
journal= {arXiv preprint arXiv:2211.11591},
year = {2022}
}