論文の概要: On the Privacy Properties of GAN-generated Samples

• arxiv url: http://arxiv.org/abs/2206.01349v1
• Date: Fri, 3 Jun 2022 00:29:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-06 14:08:21.784196
• Title: On the Privacy Properties of GAN-generated Samples
• Title（参考訳）: GAN生成試料のプライバシー特性について
• Authors: Zinan Lin, Vyas Sekar, Giulia Fanti
• Abstract要約: GANが生成するサンプルは、本質的にいくつかの(弱い)プライバシー保証を満たすことを示す。 また,GAN生成サンプルのメンバシップ推論攻撃に対する堅牢性についても検討した。
• 参考スコア（独自算出の注目度）: 12.765060550622422
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The privacy implications of generative adversarial networks (GANs) are a topic of great interest, leading to several recent algorithms for training GANs with privacy guarantees. By drawing connections to the generalization properties of GANs, we prove that under some assumptions, GAN-generated samples inherently satisfy some (weak) privacy guarantees. First, we show that if a GAN is trained on m samples and used to generate n samples, the generated samples are (epsilon, delta)-differentially-private for (epsilon, delta) pairs where delta scales as O(n/m). We show that under some special conditions, this upper bound is tight. Next, we study the robustness of GAN-generated samples to membership inference attacks. We model membership inference as a hypothesis test in which the adversary must determine whether a given sample was drawn from the training dataset or from the underlying data distribution. We show that this adversary can achieve an area under the ROC curve that scales no better than O(m^{-1/4}).
• Abstract（参考訳）: GAN(Generative Adversarial Network)のプライバシ含意は大きな関心事であり、プライバシ保証付きGANをトレーニングするためのアルゴリズムがいくつか提案されている。 GANの一般化特性への接続を描くことにより、いくつかの仮定の下では、GAN生成サンプルが本質的にいくつかの(弱い)プライバシー保証を満たすことが証明される。 まず, GAN を m 個のサンプルで訓練して n 個のサンプルを生成する場合, 生成したサンプルは (エプシロン, デルタ) 対に対して (エプシロン, デルタ) 差分プライベートであり, デルタは O(n/m) となる。 いくつかの特別な条件下では、この上限は厳密であることを示す。 次に,GAN生成サンプルのメンバシップ推論攻撃に対する堅牢性について検討する。 我々は,あるサンプルがトレーニングデータセットから引き出されたのか,あるいは基礎となるデータ分布から引き出されたのかを,敵が判断しなければならない仮説テストとして,メンバシップ推論をモデル化する。 この敵は、O(m^{-1/4}) に匹敵するスケールの領域をROC曲線の下で達成できることを示す。

関連論文リスト

• Self-Guided Generation of Minority Samples Using Diffusion Models [57.319845580050924]
  データ多様体の低密度領域に居住する少数サンプルを生成するための新しい手法を提案する。 我々のフレームワークは拡散モデルに基づいて構築されており、ガイドドサンプリングの原理を生かしている。 実データセットのベンチマーク実験により、我々のアプローチは現実的な低自由度マイノリティインスタンスを作成する能力を大幅に改善できることが示された。
  論文  参考訳（メタデータ） (2024-07-16T10:03:29Z)
• A Privacy-Preserving Walk in the Latent Space of Generative Models for Medical Applications [11.39717289910264]
  GAN(Generative Adversarial Networks)は、ターゲット分布に一致する合成サンプルを生成する能力を実証している。 GANは、潜伏空間に実際のサンプルのほぼ重複体を埋め込む傾向がある。 本稿では,深層モデルの効果的なトレーニングを支援するために,多種多様な合成サンプルを生成できる潜時空間ナビゲーション戦略を提案する。
  論文  参考訳（メタデータ） (2023-07-06T13:35:48Z)
• Joint Bayesian Inference of Graphical Structure and Parameters with a Single Generative Flow Network [59.79008107609297]
  本稿では,ベイジアンネットワークの構造上の結合後部を近似する手法を提案する。 サンプリングポリシが2フェーズプロセスに従う単一のGFlowNetを使用します。 パラメータは後部分布に含まれるため、これは局所確率モデルに対してより柔軟である。
  論文  参考訳（メタデータ） (2023-05-30T19:16:44Z)
• Breaking the Spurious Causality of Conditional Generation via Fairness Intervention with Corrective Sampling [77.15766509677348]
  条件生成モデルは、トレーニングデータセットから急激な相関を継承することが多い。 これは別の潜在属性に対して不均衡なラベル条件分布をもたらす。 この問題を緩和するための一般的な2段階戦略を提案する。
  論文  参考訳（メタデータ） (2022-12-05T08:09:33Z)
• Selectively increasing the diversity of GAN-generated samples [8.980453507536017]
  本稿では,GAN生成サンプルの多様性を選択的に向上する手法を提案する。 本研究では,CERN における ALICE 実験のZero Degree Calorimeter から得られたデータをシミュレーションする実生活シナリオとともに,本手法の優位性を示す。
  論文  参考訳（メタデータ） (2022-07-04T16:27:06Z)
• Generative Models with Information-Theoretic Protection Against Membership Inference Attacks [6.840474688871695]
  GAN(Generative Adversarial Networks)のような深層生成モデルは、多様な高忠実度データサンプルを合成する。 GANは、訓練されたデータから個人情報を開示し、敵の攻撃を受けやすい可能性がある。 本稿では,生成モデルがトレーニングデータに過度に適合しないようにし,一般化性を奨励する情報理論的動機付け正規化項を提案する。
  論文  参考訳（メタデータ） (2022-05-31T19:29:55Z)
• imdpGAN: Generating Private and Specific Data with Generative Adversarial Networks [19.377726080729293]
  imdpGANは、プライバシー保護と潜伏表現を同時に達成するエンドツーエンドフレームワークである。 我々は、ImdpGANが個々のデータポイントのプライバシを保持し、生成したサンプルの特異性を制御するために潜時符号を学習していることを示す。
  論文  参考訳（メタデータ） (2020-09-29T08:03:32Z)
• RDP-GAN: A R\'enyi-Differential Privacy based Generative Adversarial Network [75.81653258081435]
  GAN(Generative Adversarial Network)は,プライバシ保護の高い現実的なサンプルを生成する能力によって,近年注目を集めている。 しかし、医療記録や財務記録などの機密・私的な訓練例にGANを適用すると、個人の機密・私的な情報を漏らしかねない。 本稿では、学習中の損失関数の値にランダムノイズを慎重に付加することにより、GAN内の差分プライバシー(DP)を実現するR'enyi-differentially private-GAN(RDP-GAN)を提案する。
  論文  参考訳（メタデータ） (2020-07-04T09:51:02Z)
• Discriminator Contrastive Divergence: Semi-Amortized Generative Modeling by Exploring Energy of the Discriminator [85.68825725223873]
  GAN(Generative Adversarial Networks)は、高次元データのモデリングにおいて大きな可能性を秘めている。 本稿では,WGANの識別器の特性を活かした識別器コントラストの多様性について紹介する。 我々は、合成データと実世界の画像生成ベンチマークの両方において、大幅に改善された生成の利点を実証する。
  論文  参考訳（メタデータ） (2020-04-05T01:50:16Z)
• GANs with Conditional Independence Graphs: On Subadditivity of Probability Divergences [70.30467057209405]
  GAN(Generative Adversarial Networks)は、データセットの基盤となる分布を学習するための現代的な手法である。 GANは、基礎となるディストリビューションに関する追加情報がないモデルフリーで設計されている。 本稿では,ベイズネット/MRFの近傍に単純な識別器群を用いたモデルベースGANの設計を提案する。
  論文  参考訳（メタデータ） (2020-03-02T04:31:22Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。