DPGOMI：基于高斯优化模型反演的差分隐私数据发布
机器学习
2023-10-10 v1
摘要
高维数据在深度学习时代被广泛应用且具有众多应用。然而，某些包含敏感信息的数据在未进行隐私保护的情况下不允许共享。在本文中，我们提出一种称为基于高斯优化模型反演的差分隐私数据发布（DPGOMI）的新型差分隐私数据释放方法以解决此问题。我们的方法涉及使用公共生成器将私有数据映射到潜空间，随后使用具有更好收敛特性的低维 DP-GAN。我们在标准数据集 CIFAR10 和 SVHN 上评估了 DPGOMI 的性能。我们的结果表明，DPGOMI 在 Inception Score、Fréchet Inception Distance 和分类性能方面优于标准 DP-GAN 方法，同时提供相同级别的隐私。我们提出的方法为保护 GAN 训练中的敏感数据同时保持高质量结果提供了一种有前景的解决方案。
引用
@article{arxiv.2310.04528,
title = {DPGOMI: Differentially Private Data Publishing with Gaussian Optimized Model Inversion},
author = {Dongjie Chen and Sen-ching S. Cheung and Chen-Nee Chuah},
journal= {arXiv preprint arXiv:2310.04528},
year = {2023}
}
备注
Accepted by 2023 IEEE International Conference on Image Processing (ICIP) workshop on privacy attacks in computer vision, Kuala Lumpur, Malaysia, 2023