GeoPointGAN：具有局部标签差分隐私的合成空间数据生成方法
机器学习
2022-05-19 v1 人工智能
密码学与安全
数据库
摘要
合成数据生成是许多数据管理和数据科学应用中的一项基础任务。空间数据尤其令人关注，其敏感性常引发隐私担忧。我们提出 GeoPointGAN，一种基于 GAN 的新型解决方案，用于生成具有高可用性和强个体级隐私保障的合成空间点数据集。GeoPointGAN 的架构包含一种新颖的点变换生成器，该生成器学习将随机生成的点坐标投影到有意义的合成坐标中，从而捕捉微观（如路口、广场）和宏观（如公园、湖泊）地理特征。我们通过标签局部差分隐私提供隐私保障，这比传统的局部差分隐私更实用。我们将此隐私级别无缝集成到 GeoPointGAN 中，具体做法是将判别器增强到点级别，并实现一种基于随机响应的机制，该机制翻转训练中所用“真实”与“虚假”点相关联的标签。大量实验表明，GeoPointGAN 显著优于近期方案，与最具竞争力的基线相比最高提升达 10 倍。我们还使用范围查询、热点查询和设施选址查询对 GeoPointGAN 进行评估，证实了其在隐私保护查询中的实际有效性。结果表明，在几乎无负面可用性代价的情况下实现了强隐私级别，我们通过训练期间翻转数据标签所带来的泛化与正则化效应解释了这一现象。
引用
@article{arxiv.2205.08886,
title = {GeoPointGAN: Synthetic Spatial Data with Local Label Differential Privacy},
author = {Teddy Cunningham and Konstantin Klemmer and Hongkai Wen and Hakan Ferhatosmanoglu},
journal= {arXiv preprint arXiv:2205.08886},
year = {2022}
}