The Elusive Pursuit of Replicating PATE-GAN: Benchmarking, Auditing, Debugging

使用不同ially private（DP）生成模型创建的合成数据在现实世界中的应用越来越多。在这种情况下，PATE-GAN作为一种流行的算法出现，将生成对抗网络（GAN）与PATE（教师集合的私有聚合）的私有训练方法相结合。在本文中，我们分析和基准测试了六个开源的PATE-GAN实现，包括原始作者的三个子集。首先，我们揭示了架构偏差，并经验证明没有一个实现能够复制原始论文中报告的实用性能。然后，我们进行了深入的隐私评估，包括DP审计，显示所有实现泄漏的隐私都超出了预期，并揭示了17个隐私违规和5个其他错误。我们的代码库可从https://github.com/spalabucr/pategan-audit获得。

研究PATE-GAN算法在不同开源实现中的实用性和隐私泄漏问题

将GAN和PATE相结合，实现差分隐私生成模型，但现有的开源实现并不能达到原论文中的实用性表现，同时存在隐私泄漏问题

通过对6个开源实现的测试，发现它们无法复制原论文的实用性表现，同时存在17个隐私泄漏和5个其他错误。研究者提供了代码库

最近的相关研究主要集中在GAN和差分隐私生成模型的结合上，包括DP-GAN、Wasserstein GAN with DP和PrivGAN等