在差分隐私联邦学习GAN中使用自编码器
机器学习
2022-06-27 v1 密码学与安全
摘要
过去几十年中，机器学习已应用于计算机科学几乎所有领域。GANs的引入为医学研究和文本预测领域带来了新的可能。然而，这些新领域处理的是日益隐私敏感的数据。为维护用户隐私，可结合联邦学习、差分隐私和GANs来处理私有数据而不泄露用户隐私。近来，此类组合的两种实现已发表：DP-Fed-Avg GAN和GS-WGAN。本文比较了它们的性能，并引入了DP-Fed-Avg GAN的一种替代版本，其利用去噪技术来应对将差分隐私和联邦学习应用于GANs时通常出现的精度损失。我们还将去噪DP-Fed-Avg GAN这一新颖改进与本领域最先进的实现进行了比较。
引用
@article{arxiv.2206.12270,
title = {Using Autoencoders on Differentially Private Federated Learning GANs},
author = {Gregor Schram and Rui Wang and Kaitai Liang},
journal= {arXiv preprint arXiv:2206.12270},
year = {2022}
}