面向混合类型表格数据生成的隐私保护扩散模型
机器学习
2025-12-02 v1
摘要
我们提出了DP-FinDiff，这是一个针对混合类型表格数据的差分隐私扩散框架。DP-FinDiff采用嵌入表示表示分类特征，减少编码开销并适用于高维数据集。为适应差分隐私训练与扩散过程，本文提出两种隐私感知训练策略：一种是与扩散动力学对齐更新的自适应时间步采样器，另一种是缓解剪裁引起偏差的特征聚合损失。通过这些增强措施，在不削弱隐私保证的前提下，提高了保真度和下游效用。在金融和医疗数据集上，DP-FinDiff在相当于当前隐私水平的情况下实现了16-42%的效用提升，展示了其在敏感领域实现安全且有效数据共享的潜力。
引用
@article{arxiv.2512.00638,
title = {Privacy Preserving Diffusion Models for Mixed-Type Tabular Data Generation},
author = {Timur Sattarov and Marco Schreyer and Damian Borth},
journal= {arXiv preprint arXiv:2512.00638},
year = {2025}
}
备注
15 pages, 8 figures, 4 tables