基于不确定性自编码器的隐私与效用保持数据类型感知变换

我们提出了一种对抗学习框架，用于处理两类条件下的隐私-效用权衡问题：数据类型无关和数据类型感知。在数据类型感知条件下，隐私机制提供分类特征的一热编码（one-hot encoding），精确表示单一类别，而在数据类型无关条件下，分类变量由一组分数表示，每个类别对应一个分数。我们使用由生成器和判别器组成的神经网络架构，其中生成器由编码器-解码器对构成，判别器由对抗者和效用提供者构成。与以往考虑此类架构的研究不同——后者要么使用未引入任何随机性的自编码器（AEs），要么使用基于学习潜在表示并强制高斯假设的变分自编码器（VAEs）——我们提出的技术引入了随机性并去除了对潜在变量的高斯假设限制，仅关注输入到隐私化数据的端到端随机映射。我们在不同数据集上测试了我们的框架：MNIST、FashionMNIST、UCI Adult 和 US Census Demographic Data，提供了广泛的潜在隐私与效用属性。我们使用多个对抗者同时测试我们的隐私机制——部分从真实数据训练，部分从我们的隐私机制生成的扰动数据训练。通过对比分析，我们的结果表明，在类似的数据类型无关条件下，即便现有工作处于其原始的限制性单对抗者模型下，我们的方法也提供了比现有工作更好的隐私和效用保证。