Private FL-GAN: Differenzielle Datenschutz-Synthesedaten-Generierung basierend auf föderiertem Lernen

Generative Adversarial Network (GAN) hat bereits große Wellen im Bereich der Generierung realistischer "falscher" Daten geschlagen. Wenn Daten jedoch verteilt sind und Dateninhaber aus Datenschutzgründen zögerlich sind, Daten zu teilen, ist das Training von GAN schwierig. Um dieses Problem zu lösen, schlagen wir private FL-GAN vor, ein differenzielle Datenschutz-Modell eines generativen adversarialen Netzwerks, das auf föderiertem Lernen basiert. Durch die strategische Kombination der Lipschitz-Grenze mit der differenziellen Datenschutzempfindlichkeit kann das Modell qualitativ hochwertige synthetische Daten erzeugen, ohne die Privatsphäre der Trainingsdaten zu opfern. Wir beweisen theoretisch, dass private FL-GAN strenge Datenschutzgarantien mit differenziellem Datenschutz bieten kann, und demonstrieren experimentell, dass unser Modell zufriedenstellende Daten erzeugen kann.