VFLGAN-TS：用于发布纵向划分时间序列数据的基于纵向联邦学习的生成对抗网络
机器学习
2024-09-06 v1 密码学与安全
摘要
在当前人工智能 (AI) 时代，数据集的规模与质量在训练高质量 AI 模型中起着至关重要的作用。然而，出于隐私担忧与法规限制，原始数据通常无法共享。一种潜在的解决方案是发布与私有数据集具有相似分布的合成数据集。尽管如此，在某些场景下，训练 AI 模型所需的属性分布于不同参与方，且出于隐私法规，各参与方无法共享本地数据以构建合成数据。在 PETS 2024 上，我们近期介绍了首个用于发布纵向划分静态数据的基于纵向联邦学习的生成对抗网络 (VFLGAN)。然而，VFLGAN 无法有效处理同时具有时间维度和属性维度的时间序列数据。在本文中，我们提出了 VFLGAN-TS，它结合了属性判别器与纵向联邦学习的思想，以在纵向划分场景下生成合成时间序列数据。VFLGAN-TS 的性能接近于其以集中式方式训练的对应模型，后者代表了 VFLGAN-TS 的性能上限。为进一步保护隐私，我们应用高斯机制使 VFLGAN-TS 满足 -差分隐私。此外，我们开发了一种增强的隐私审计方案，以通过 VFLGAN-TS 框架与合成数据集评估潜在的隐私泄露。
引用
@article{arxiv.2409.03612,
title = {VFLGAN-TS: Vertical Federated Learning-based Generative Adversarial Networks for Publication of Vertically Partitioned Time-Series Data},
author = {Xun Yuan and Zilong Zhao and Prosanta Gope and Biplab Sikdar},
journal= {arXiv preprint arXiv:2409.03612},
year = {2024}
}