Automatización de la síntesis de datos tabulares diferencialmente privados a través de la optimización bayesiana

Generar datos tabulares sintéticos de alta fidelidad bajo estrictas restricciones de privacidad diferencial (DP) es un desafío crítico. La implementación práctica de DP-GANs a menudo se frustra por la extrema sensibilidad a los hiperparámetros, creando una “lotería de parámetros” donde la sintonización manual o estocástica lucha por equilibrar la utilidad de los datos con rigurosas garantías de privacidad. Para superar esta barrera, introducimos BO-DPCTGAN, un marco automatizado que formula la sintonización de hiperparámetros como un problema de optimización de caja negra consciente de la privacidad. Aprovechando la optimización bayesiana con un sustituto de proceso gaussiano, navega de manera eficiente en el altamente no convexa espacio de parámetros. Central en nuestro enfoque es un sistema de evaluación de cuatro dimensiones que cuantifica la fidelidad estadística, la integridad estructural, la utilidad del aprendizaje automático y el riesgo de privacidad. Estas métricas se fusionan dinámicamente a través de un novedoso objetivo de media armónica, evitando que el optimizador caiga en “trampas de ruido” donde altos puntajes de privacidad simplemente enmascaran el colapso de modos. Experimentos extensivos en diversos conjuntos de datos del mundo real demuestran que BO-DPCTGAN supera significativamente a los modelos DP tradicionales y a las bases de búsqueda aleatoria fuertes. Exhibiendo una eficiencia muestral superior, identifica consistentemente configuraciones seguras y de alta utilidad que resisten ataques de inferencia de atributos, incluso bajo estrictos presupuestos de privacidad (por ejemplo, = 1. 0). En última instancia, este trabajo avanza la síntesis de datos que preserva la privacidad de un arte ad-hoc a un flujo de trabajo de ingeniería controlable y fundamentado.