机构名称：
¥ 1.0
摘要。生成的对抗网络（GAN）在为各种应用程序（包括涉及敏感信息（例如医疗保健和金融）等敏感信息的数据生成合成数据）中表现出了巨大潜力。但是，当将gan应用于敏感数据集时出现了两个主要问题：（i）模型可以记住培训样本，损害个人的隐私，尤其是当数据包括个人身份信息（PII），以及（ii）缺乏对生成样品的特异性的控制，这限制了其限制其量身定制的用途。为了应对这些挑战，我们提出了一个新颖的框架，该框架将差异隐私与潜在的表示学学习整合在一起，以确保隐私，同时提供对生成数据的特殊性的控制。我们的方法确保合成数据不会揭示单个数据点，并且通过学习有效的潜在代码，它可以生成特定和有意义的数据。我们使用MNIST数据集评估了我们的方法，表明它保留了隐私并证明了隐私 - 实用性权衡取舍，这会导致分类准确性降低。此外，我们强调了计算挑战，因为与标准GAN模型相比，训练过程的时间增加了十倍。最后，我们将方法扩展到Celeba数据集，证明如何控制隐私和特异性以生成高质量的私人合成数据。
改进安全和私人的生成AI模型...
主要关键词
相关文件推荐
