基于生成对抗网络的关系数据合成：设计空间探索
数据库
2020-08-31 v1 人工智能
机器学习
摘要
大数据的泛滥带来了对隐私保护数据发布的迫切需求。满足该需求的传统方案在有效平衡发布数据隐私与效用之间的权衡上存在局限。因此，数据库界与机器学习界近期研究了利用生成对抗网络（GAN）进行关系数据合成这一新问题，并提出了多种算法。然而，这些算法未在同一框架下比较，从业者难以理解 GAN 的优势与局限。为弥补差距，我们开展了迄今为止最全面的实验研究，考察 GAN 在关系数据合成中的应用。我们引入统一的基于 GAN 的框架，并定义框架中各组件的设计方案空间，包括神经网络架构与训练策略。我们进行了大量实验以探索设计空间，并与传统数据合成方法比较。通过广泛实验，我们发现 GAN 在关系数据合成中极具前景，并为选择合适的设计方案提供指导。我们也指出了 GAN 的局限并明确了未来研究方向。
引用
@article{arxiv.2008.12763,
title = {Relational Data Synthesis using Generative Adversarial Networks: A Design Space Exploration},
author = {Ju Fan and Tongyu Liu and Guoliang Li and Junyou Chen and Yuwei Shen and Xiaoyong Du},
journal= {arXiv preprint arXiv:2008.12763},
year = {2020}
}