VT-GAN：基于纵向联邦学习的协同表格数据合成
机器学习
2025-02-17 v2
摘要
本文展示了利用纵向联邦学习（VFL）通过生成对抗网络（GAN）生成合成表格数据的应用。VFL是一种在拥有同一组客户 disjoint 特征的不同表格数据持有方（如金融机构）之间训练机器学习模型的协作方法。本文我们提出 VT-GAN 框架，即纵向联邦表格 GAN，并证明 VFL 可成功用于以隐私保护方式实现分布式表格数据的 GAN，其性能接近于假设数据共享的集中式 GAN。我们就 GAN 生成器和判别器模型的分布做出设计选择，并引入带打乱的训练技术，使得任何一方都无法从 GAN 条件向量重构训练数据。本文给出：（1）VT-GAN 的实现；（2）对 VT-GAN 生成的合成数据的详细质量评估；（3）VT-GAN 框架的整体可扩展性考察；（4）在不同差分隐私设置下 VT-GAN 抵御成员推断攻击鲁棒性的安全性分析，所用数据集具有多样分布特征。我们的结果表明，VT-GAN 能持续生成与集中式 GAN 算法质量相当的高保真合成表格数据。即使在跨客户端数据极度不平衡或客户端数量不同的情况下，机器学习效用的差异也可低至 2.7%。
引用
@article{arxiv.2302.01706,
title = {VT-GAN: Cooperative Tabular Data Synthesis using Vertical Federated Learning},
author = {Zilong Zhao and Han Wu and Aad Van Moorsel and Lydia Y. Chen},
journal= {arXiv preprint arXiv:2302.01706},
year = {2025}
}