HydraGAN：一种用于合成数据生成的多头多目标方法
机器学习
2021-11-16 v1
摘要
合成数据生成克服了真实世界机器学习的局限性。传统方法对于扩充昂贵的数据集很有价值，但仅优化一个准则：真实感。在本文中，我们解决生成优化多个准则的合成数据的问题。当真实数据被合成数据替换以用于隐私保护时，这一目标是必要的。我们引入 HydraGAN，一种用于合成数据生成的新方法，其将多个生成器和判别器智能体引入系统。该多智能体 GAN 优化隐私保护和数据真实感的目标。为促进多智能体训练，我们采用博弈论原理以提供均衡保证。我们观察到，在三个数据集上，对于最大化数据真实感、最大化模型准确率和最小化再识别风险多个准则，HydraGAN 优于基线方法。
引用
@article{arxiv.2111.07015,
title = {HydraGAN A Multi-head, Multi-objective Approach to Synthetic Data Generation},
author = {Chance N DeSmet and Diane J Cook},
journal= {arXiv preprint arXiv:2111.07015},
year = {2021}
}