大规模数据的收集和利用大幅提升了机器学习算法的性能，但同时也令个人隐私保护面临更大的风险与挑战。为此，作者提出一种满足差分隐私（Differential Privacy)的生成对抗网络（GAN) 训练方法，用于拟合高维数据分布、生成具有严格隐私保护的数据集。本文的框架适用于集成式（centralized) 和分布式/联邦式（decentralized/federated)环境。实验表明，本文的方法可以提高生成样本的准确性，并在多个指标（例如样品视觉质量，通信效率）取得了最优的性能。
- 论文名称：GS-WGAN: A Gradient-Sanitized Approach for Learning Differentially Private Generators
- 论文链接：https://arxiv.org/abs/2006.08265
- 代码链接：https://github.com/DingfanChen/GS-WGAN
陈丁凡：本科毕业于德国图宾根大学计算机系，现为德国CISPA亥姆霍兹信息安全中心的博士生，导师为Mario Fritz。主要研究方向为机器学习（差分）隐私，以及深度生成模型。
感兴趣的可以戳链接。
内容中包含的图片若涉及版权问题，请及时与我们联系删除
评论
沙发等你来抢