GS-WGAN：一种用于学习差分隐私生成器的梯度净化方法
机器学习
2021-03-16 v2 密码学与安全
机器学习
摘要
丰富数据的广泛可得性推动了机器学习在众多领域的应用增长。然而，在具有高度敏感数据（例如医疗）的领域中，增长受到很大阻碍，因为数据的私密性使其无法被共享。为此，我们提出了梯度净化 Wasserstein 生成对抗网络（Gradient-sanitized Wasserstein Generative Adversarial Networks，GS-WGAN），它允许以严格的隐私保证发布敏感数据的净化形式。与先前工作相比，我们的方法能够更精确地扭曲梯度信息，从而能够训练更深的模型，生成更具信息量的样本。此外，我们的公式自然允许在集中式和联邦式（即去中心化）数据场景下训练 GAN。通过大量实验，我们发现我们的方法在多个指标（例如样本质量）和数据集上持续优于最先进的方法。
引用
@article{arxiv.2006.08265,
title = {GS-WGAN: A Gradient-Sanitized Approach for Learning Differentially Private Generators},
author = {Dingfan Chen and Tribhuvanesh Orekondy and Mario Fritz},
journal= {arXiv preprint arXiv:2006.08265},
year = {2021}
}
备注
NeurIPS 2020, 18 pages