生成对抗网络的泛化性：来自隐私保护的新视角
机器学习
2019-09-26 v3 密码学与安全
机器学习
摘要
本文旨在从隐私保护的新视角理解生成对抗网络（GAN）的泛化特性。理论上，我们证明了用于训练 GAN 的差分隐私学习算法在一定程度上不会过拟合，即泛化间隙可以被界定。此外，一些近期工作，如贝叶斯 GAN，可以基于我们来自隐私保护的理论洞见进行重新解释。定量上，为了评估训练良好的 GAN 模型的信息泄露，我们对这些模型执行了各种成员推断攻击。结果表明，先前的 Lipschitz 正则化技术不仅能有效减小泛化间隙，还能减轻训练数据集的信息泄露。
引用
@article{arxiv.1908.07882,
title = {Generalization in Generative Adversarial Networks: A Novel Perspective from Privacy Protection},
author = {Bingzhe Wu and Shiwan Zhao and ChaoChao Chen and Haoyang Xu and Li Wang and Xiaolu Zhang and Guangyu Sun and Jun Zhou},
journal= {arXiv preprint arXiv:1908.07882},
year = {2019}
}
备注
Accepted by NeurIPS 2019