MGMD-GAN：针对成员推断攻击的基于多生成器多判别器框架的生成对抗网络泛化能力提升
机器学习
2024-10-11 v1
摘要
生成对抗网络 (GAN) 是各类应用中广泛使用的生成模型。然而，原始 GAN 架构可能记忆训练数据的分布，从而构成成员推断攻击的威胁。本文提出一种新型 GAN 框架，包含多个生成器和多个判别器 (MGMD-GAN)。采用 disjoint 训练数据划分来训练此模型，使其学习所有训练数据划分的混合分布。通过这种方式，我们的模型减少了泛化差距，使 MGMD-GAN 对成员推断攻击更不易受攻击。我们对模型进行实验分析，并与其他 GAN 框架进行比较。
引用
@article{arxiv.2410.07803,
title = {MGMD-GAN: Generalization Improvement of Generative Adversarial Networks with Multiple Generator Multiple Discriminator Framework Against Membership Inference Attacks},
author = {Nirob Arefin},
journal= {arXiv preprint arXiv:2410.07803},
year = {2024}
}