imdpGAN：利用生成对抗网络生成私有且特定化的数据
计算机视觉与模式识别
2020-09-30 v1 人工智能
密码学与安全
摘要
生成对抗网络（GAN）及其变体在生成合成数据方面已展现出有前景的结果。然而，GAN 存在的问题是：(i) 学习围绕训练样本进行，模型往往最终记住它们，从而损害个体样本的隐私——当 GAN 应用于包含个人可识别信息的训练数据时，这成为一个主要担忧；(ii) 生成数据中的随机性——无法控制生成样本的特异性。为解决这些问题，我们提出 imdpGAN——一种信息最大化差分隐私生成对抗网络（information maximizing differentially private Generative Adversarial Network）。它是一个端到端框架，同时实现隐私保护并学习潜在表示。通过在 MNIST 数据集上的实验，我们表明 imdpGAN 保护了个体数据点的隐私，并学习潜在编码以控制生成样本的特异性。我们对数字对进行二分类以展示效用与隐私的权衡。随着框架中隐私级别的提高，分类准确率下降。我们还通过实验表明，imdpGAN 的训练过程稳定，但与其他 GAN 框架相比耗时增加 10 倍。最后，我们将 imdpGAN 框架扩展到 CelebA 数据集，以展示如何利用隐私和学习的表示来控制输出的特异性。
引用
@article{arxiv.2009.13839,
title = {imdpGAN: Generating Private and Specific Data with Generative Adversarial Networks},
author = {Saurabh Gupta and Arun Balaji Buduru and Ponnurangam Kumaraguru},
journal= {arXiv preprint arXiv:2009.13839},
year = {2020}
}
备注
9 pages, 7 figures, Accepted at IEEE TPS'2020