基于张量网络矩阵产品态（MPS）的合成数据生成与差分隐私
机器学习
2025-11-25 v2 人工智能
密码学与安全
量子物理
摘要
合成数据生成是现代人工智能中的关键技术，旨在解决数据稀缺、隐私限制以及训练稳健模型所需的多样化数据集的问题。本文提出一种基于张量网络——具体为矩阵产品态（MPS）的方法，用于生成隐私保护的高质量合成表格数据。我们将基于 MPS 的生成模型与 CTGAN、VAE 和 PrivBayes 等最新模型进行基准测试，关注其在数据保真度和隐私保护能力两方面的表现。为确保差分隐私（DP），我们在训练过程中集成噪声注入和梯度裁剪，借助 Renyi 差分隐私计量实现隐私保证。在多项分析数据保真度和下游机器学习任务性能的指标上，我们的结果表明，MPS 在严格隐私约束下优于经典模型。这一工作凸显了 MPS 作为隐私感知合成数据生成工具的前景。通过将张量网络表示的表达力与形式化隐私机制相结合，所提出的方法提供了一种可解释且可扩展的替代方案，适用于数据质量和机密性都至关重要的敏感领域。其结构化设计便于集成到实际应用中。
引用
@article{arxiv.2508.06251,
title = {Synthetic Data Generation and Differential Privacy using Tensor Networks' Matrix Product States (MPS)},
author = {Alejandro Moreno R. and Desale Fentaw and Samuel Palmer and Raúl Salles de Padua and Ninad Dixit and Samuel Mugel and Roman Orús and Manuel Radons and Josef Menter and Ali Abedi},
journal= {arXiv preprint arXiv:2508.06251},
year = {2025}
}
备注
10 pages