面向连续非高斯属性的隐私保护对抗网络 (PPAN)
信号处理
2020-04-02 v1 机器学习
摘要
隐私保护对抗网络 (PPAN) 近来作为一种信息论框架被提出，以解决数据共享中的隐私问题。该模型的主要思想是使用互信息作为隐私度量，并对两个深度神经网络进行对抗训练，一个作为机制，另一个作为对手。PPAN 模型在离散合成数据、MNIST 手写数字和连续高斯数据上的性能已对照解析最优权衡进行了评估。在本研究中，我们针对连续非高斯数据评估 PPAN 模型，其中使用了隐私保护问题的下界和上界。这些界包括基于第 k 近邻的 Kraskov (KSG) 熵与互信息估计。除合成数据集外，还考察了从智能电表读数中隐藏实际电力消耗的实际案例。结果表明，对于连续非高斯数据，PPAN 模型性能处于所确定的最优范围内且接近下界。
引用
@article{arxiv.2003.05362,
title = {Privacy-Preserving Adversarial Network (PPAN) for Continuous non-Gaussian Attributes},
author = {Mohammadhadi Shateri and Fabrice Labeau},
journal= {arXiv preprint arXiv:2003.05362},
year = {2020}
}