DP-CGAN : Génération de données et d'étiquettes synthétiques avec protection différentielle de la vie privée

Les réseaux antagonistes génératifs (GAN) sont l'un des modèles bien connus pour générer des données synthétiques, y compris des images, en particulier pour des communautés de recherche qui ne peuvent pas utiliser des ensembles de données sensibles d'origine parce qu'ils ne sont pas accessibles au public. L'un des principaux défis dans ce domaine est de préserver la vie privée des individus qui participent à l'entraînement des modèles GAN. Pour relever ce défi, nous introduisons un cadre d'entraînement Conditional GAN (DP-CGAN) avec protection différentielle de la vie privée basé sur une nouvelle stratégie de clipping et de perturbation, qui améliore les performances du modèle tout en préservant la vie privée de l'ensemble de données d'entraînement. DP-CGAN génère à la fois des données synthétiques et des étiquettes correspondantes et exploite le comptable de vie privée différentielles de Renyi récemment introduit pour suivre le budget de vie privée dépensé. Les résultats expérimentaux montrent que DP-CGAN peut générer des résultats visuellement et empiriquement prometteurs sur l'ensemble de données MNIST avec un paramètre epsilon à un chiffre dans la vie privée différentielle.