FLAIM：联邦设定下基于 AIM 的合成数据生成
密码学与安全
2024-09-06 v3 机器学习
摘要
在保护个人隐私的同时实现协作式数据共享对组织而言至关重要。合成数据生成是一种解决方案，其产生反映私有数据统计特性的人工数据。尽管已在差分隐私下设计了众多技术，它们主要假设数据集中化。然而，数据常以联邦方式分布于多个客户端。本工作中，我们开创了联邦合成表格数据生成的研究。基于一种称为 AIM 的 SOTA 集中式方法，我们提出 DistAIM 与 FLAIM。我们首先表明分发 AIM 是直接的，扩展了近期基于安全多方计算的方法，但后者需要额外开销，使其较不适合联邦场景。我们随后证明在异构性存在下朴素联邦化 AIM 会导致效用的显著退化。为缓解这两类问题，我们提出一种维持异构性私有代理的增强 FLAIM 方法。我们在不同异构程度下的一系列基准数据集上模拟了我们的方法，并展示我们能在降低开销的同时改善效用。
引用
@article{arxiv.2310.03447,
title = {FLAIM: AIM-based Synthetic Data Generation in the Federated Setting},
author = {Samuel Maddock and Graham Cormode and Carsten Maple},
journal= {arXiv preprint arXiv:2310.03447},
year = {2024}
}
备注
Accepted to KDD 2024