SiloFuse: Cross-silo Synthetic Data Generation with Latent Tabular Diffusion Models

合成的表格数据对于分享和增强数据非常重要，特别是对于拥有专有数据的企业而言。然而，现有的合成器是为中央存储的数据设计的。因此，在特征分布在多个数据孤岛的实际场景中，需要在本地存储数据，这些合成器很难应对。我们介绍了SiloFuse，这是一个新颖的跨数据孤岛表格数据高质量合成框架。为了确保隐私，SiloFuse采用了分布式潜在表格扩散架构。通过自编码器，为每个客户端的特征学习潜在表示，掩盖其实际值。我们采用堆叠式分布式训练来提高通信效率，将轮数减少到一个步骤。在SiloFuse下，我们证明了垂直分区合成的数据重构是不可能的，并通过使用我们的基准框架量化了隐私风险，进行了三次攻击。在九个数据集上的实验结果展示了SiloFuse相对于集中式扩散合成器的能力。值得注意的是，SiloFuse在相似性和实用性方面的百分点分别比GAN高43.8和29.8。通信实验表明，相对于训练迭代次数增加而增加的端到端训练成本，堆叠式训练的成本是固定的。此外，SiloFuse证明了对特征排列和不同数量的客户端具有鲁棒性。

解决跨多个数据隔离区域的表格数据合成问题，现有的合成器难以处理分布在多个隔离区域的特征，需要在本地存储数据。

使用分布式潜在表格扩散结构和自动编码器来保证隐私，学习每个客户端特征的潜在表示，遮盖其实际值。使用堆叠式分布式训练来提高通信效率，减少轮数。

实验结果表明，SiloFuse在类似GAN的合成器中具有更高的相似性和效用，且对特征排列和客户端数量变化具有鲁棒性。论文还提出了三种攻击方法来量化隐私风险。

相关研究包括GANs、分布式合成器、隐私保护数据合成等。