从易到难：构建差分隐私图像合成的捷径

差分隐私（Differentially Private, DP）图像合成旨在从敏感数据集生成合成图像，缓解组织在共享和利用合成图像时的隐私泄露顾虑。尽管先前的方法在训练DP图像合成模型方面取得了显著进展，尤其是在使用DP随机梯度下降（DP-SGD）训练敏感图像的扩散模型方面，但仍存在性能不佳的问题。本文灵感来源于课程学习，提出了一个两阶段的DP图像合成框架，其中扩散模型从易到难学习生成DP合成图像。与现有方法不同，直接使用DP-SGD训练扩散模型的我们提出了一个开始阶段，在该阶段扩散模型学习敏感图像的简单特征。为促进此易阶段，我们提出使用central images（simply aggregations of random samples of the sensitive dataset），即敏感数据集随机样本的简单聚合。直观地说，尽管这些central images不显示细节，但它们展示了所有图像的有用特征，仅产生最小的隐私成本，从而有助于早期模型训练。我们进行实验，表明在四个调查数据集的平均水平上，我们的合成图像的保真度和效用指标分别比最先进的方法提高了33.1%和2.1%。