DPImageBench：差分隐私图像合成的统一基准测试
密码学与安全
2025-09-01 v3 人工智能
摘要
差分隐私（DP）图像合成旨在生成保留敏感图像特性的人工图像，同时保护数据集中单张图像的隐私。尽管近期取得了进展，我们发现各研究之间应用了不一致且有时存在缺陷的评估协议。这不仅阻碍了对当前方法的理解，也限制了未来的进步。为解决这一问题，本文提出了面向差分隐私图像合成的DPImageBench，其在多个维度上经过精心设计：（1）方法。我们研究了十一种代表性方法，并基于模型架构、预训练策略和隐私机制对其进行了系统表征。（2）评估。我们纳入九个数据集和七种保真度与效用指标对其进行全面评估。值得注意的是，我们发现一种常见做法——根据敏感测试集上的最高准确率选择下游分类器——不仅违反了差分隐私，还会高估效用分数。DPImageBench纠正了这些错误。（3）平台。尽管存在多种方法和评估协议，DPImageBench提供了一个标准化接口，可在统一框架中容纳当前和未来的实现。通过DPImageBench，我们获得了若干值得关注的发现。例如，与普遍认为预训练于公共图像数据集通常有益的常识相反，我们发现预训练数据与敏感图像之间的分布相似性对合成图像的性能有显著影响，且并不总是带来提升。此外，在低维特征（如敏感图像的高层特征）上添加噪声受隐私预算的影响小于在高维特征（如权重梯度）上添加噪声。前者方法在低隐私预算下表现优于后者。
引用
@article{arxiv.2503.14681,
title = {DPImageBench: A Unified Benchmark for Differentially Private Image Synthesis},
author = {Chen Gong and Kecen Li and Zinan Lin and Tianhao Wang},
journal= {arXiv preprint arXiv:2503.14681},
year = {2025}
}
备注
Accepted at CCS 2025; The first two authors contributed equally; code available at https://github.com/2019ChenGong/DPImageBench