私有后GAN提升
机器学习
2021-03-26 v2 密码学与安全
计算机与社会
机器学习
摘要
差分私有GAN已被证明是一种在不损害个人隐私的情况下生成逼真合成数据的前景方法。由于训练中引入的隐私保护噪声，GAN的收敛变得更加难以捉摸，这常导致训练结束时输出生成器效用低下。我们提出私有后GAN提升（Private PGB），一种差分私有方法，它结合GAN训练期间获得的生成器序列所产生的样本来创建高质量合成数据集。为此，我们的方法利用私有乘性权重法（Hardt and Rothblum, 2010）对生成样本重新加权。我们在二维玩具数据、MNIST图像、美国人口普查数据以及标准机器学习预测任务上评估Private PGB。我们的实验表明，Private PGB在一组质量度量上优于标准私有GAN方法。我们还提供了PGB的非私有变体，可改善标准GAN训练的数据质量。
引用
@article{arxiv.2007.11934,
title = {Private Post-GAN Boosting},
author = {Marcel Neunhoeffer and Zhiwei Steven Wu and Cynthia Dwork},
journal= {arXiv preprint arXiv:2007.11934},
year = {2021}
}