PATE-TripleGAN：具有高斯差分隐私的隐私保护图像合成
计算机视觉与模式识别
2024-04-22 v1 密码学与安全
机器学习
摘要
条件生成对抗网络（CGANs）凭借其生成逼真带标签图像的能力，在监督学习模型训练中展现出巨大潜力。然而，大量研究表明 CGANs 模型存在隐私泄露风险。结合差分隐私框架的解决方案 DPCGAN 面临诸多挑战，例如模型训练严重依赖带标签数据，以及过度梯度裁剪可能对原始梯度信息造成破坏，从而难以保证模型准确性。为了应对这些挑战，我们提出了一种名为 PATE-TripleGAN 的隐私保护训练框架。该框架引入分类器对无标签数据进行预分类，建立三方极大极小博弈以减少对带标签数据的依赖。此外，我们提出了一种基于教师集成私有聚合（PATE）框架和差分隐私随机梯度下降（DPSGD）方法的混合梯度脱敏算法。该算法允许模型在确保隐私保护的同时更有效地保留梯度信息，从而增强模型的实用性。隐私分析和大量实验证实，PATE-TripleGAN 模型能够在确保训练数据隐私的同时生成更高质量的带标签图像数据集。
引用
@article{arxiv.2404.12730,
title = {PATE-TripleGAN: Privacy-Preserving Image Synthesis with Gaussian Differential Privacy},
author = {Zepeng Jiang and Weiwei Ni and Yifan Zhang},
journal= {arXiv preprint arXiv:2404.12730},
year = {2024}
}