Red Generativa Antagónica Privada Diferencialmente

La Red Generativa Antagónica (GAN) y sus variantes han atraído recientemente un intenso interés en la investigación debido a su elegante base teórica y excelente rendimiento empírico como modelos generativos. Estas herramientas ofrecen una dirección prometedora en los estudios donde la disponibilidad de datos es limitada. Un problema común en las GAN es que la densidad de la distribución generativa aprendida podría concentrarse en los puntos de datos de entrenamiento, lo que significa que pueden recordar fácilmente las muestras de entrenamiento debido a la alta complejidad del modelo de redes profundas. Esto se convierte en una preocupación importante cuando las GAN se aplican a datos privados o sensibles, como los registros médicos de los pacientes, y la concentración de la distribución puede divulgar información crítica del paciente. Para abordar este problema, en este artículo proponemos un modelo de GAN (DPGAN) que respeta la privacidad diferencial, en el que logramos privacidad diferencial en las GAN añadiendo ruido cuidadosamente diseñado a los gradientes durante el procedimiento de aprendizaje. Proporcionamos una prueba rigurosa para la garantía de privacidad, así como evidencia empírica completa para apoyar nuestro análisis, donde demostramos que nuestro método puede generar puntos de datos de alta calidad a un nivel razonable de privacidad.