评估合成智能电网数据中的隐私-效用权衡
机器学习
2025-06-16 v1 计算机与社会
摘要
动态分时电价的广泛采用需要准确识别能从此类定价结构中受益的家庭。然而，使用真实消费数据引发了严重的隐私担忧，促使人们采用合成替代方案。在本研究中，我们在不同的合成机制下对四种合成数据生成方法进行了比较评估：Wasserstein-GP 生成对抗网络（WGAN）、条件表格 GAN（CTGAN）、扩散模型和高斯噪声增强。我们评估了分类效用、分布保真度和隐私泄露。我们的结果表明，架构设计起着关键作用：扩散模型实现了最高效用（macro-F1 高达 88.2%），而 CTGAN 对重构攻击提供了最强的抵抗力。这些发现凸显了结构化生成模型在开发隐私保护、数据驱动能源系统方面的潜力。
引用
@article{arxiv.2506.11026,
title = {Evaluating Privacy-Utility Tradeoffs in Synthetic Smart Grid Data},
author = {Andre Catarino and Rui Melo and Rui Abreu and Luis Cruz},
journal= {arXiv preprint arXiv:2506.11026},
year = {2025}
}
备注
9 pages, 4 figures