DSF-GAN：下游反馈生成对抗网络
机器学习
2024-03-28 v1 人工智能
摘要
效用与隐私是衡量合成表格数据质量的两个关键指标。尽管在隐私度量方面已取得显著进展，但生成具有高效用的合成样本仍具挑战性。为提升合成样本的效用，我们提出了一种名为下游反馈生成对抗网络 (DSF-GAN) 的新架构。该方法在训练过程中引入下游预测模型的反馈，以有价值的信息增强生成器的损失函数。因此，DSF-GAN 利用下游预测任务来提升合成样本的效用。为评估我们的方法，我们使用两个流行数据集进行了测试。实验表明，与使用无反馈的相同 GAN 架构生成的合成样本相比，在 DSF-GAN 生成的合成样本上训练能提升模型性能。评估在包含真实样本的相同验证集上进行。本研究使用的所有代码和数据集将公开提供，以便于复现。
引用
@article{arxiv.2403.18267,
title = {DSF-GAN: DownStream Feedback Generative Adversarial Network},
author = {Oriel Perets and Nadav Rappoport},
journal= {arXiv preprint arXiv:2403.18267},
year = {2024}
}