論文の概要: PATE-TabTransGAN: Differentially Private Synthetic Tabular Data Generation via Transformer-Based Student Discrimination

• arxiv url: http://arxiv.org/abs/2605.26802v1
• Date: Tue, 26 May 2026 10:16:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-27 17:51:41.876986
• Title: PATE-TabTransGAN: Differentially Private Synthetic Tabular Data Generation via Transformer-Based Student Discrimination
• Title（参考訳）: PATE-TabTransGAN: Transformer を用いた学生識別による個人用タブラキデータ生成
• Authors: M. Youssef, M. Woźniak,
• Abstract要約: PATE(Private Aggregation of Teacher Ensembles)を統合した生成フレームワークPATE-TabTransGANを提案する。 ロジスティック回帰教師のアンサンブルは、ノイズ集約ラベルを介して生徒を監督し、この差分プライベートな学生に対して残留ジェネレータを最適化する。 PATE-TabTransGANは、4つのデータセットで最高のAUROCまたは最も結びついたAUROCを取得する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generating high-fidelity synthetic tabular data under formal differential privacy guarantees remains an open challenge. Methods that provide strong theoretical protection typically sacrifice the modeling of inter-feature dependencies required for realistic synthesis, while architectures that excel at capturing complex column relationships offer only empirical privacy guarantees. We present PATE-TabTransGAN, a generative framework that integrates the Private Aggregation of Teacher Ensembles (PATE) mechanism with a Transformer-based student discriminator to jointly address both requirements, and employs a GNMax RDP accountant for numerically stable privacy accounting. An ensemble of Logistic Regression teachers trained on disjoint partitions supervise the student via noisy-aggregated labels, and a residual generator is optimized against this differentially private student, inheriting formal (ε, δ)-DP guarantees by post-processing. PATE-TabTransGAN was compared with PATE-GAN, DP-GAN, and DP-CTGAN, considered state-of-the-art in differentially private tabular synthesis. Experiments conducted on four tabular benchmarks (Adult, Breast, Cardio, Cervical) confirmed the high quality of the proposed method: PATE-TabTransGAN attains the best or tied-best AUROC on all four datasets. On AUCPR it matches the strongest baseline on Cardio, leads on Cervical, and trails on Breast; on Adult, we demonstrate that AUCPR is highly sensitive to positive-class convention, and that the observed gap is consistent with a convention difference between evaluation pipelines rather than a synthesis deficit.
• Abstract（参考訳）: 正式な差分プライバシー保証の下で高忠実な合成表データを生成することは、依然としてオープンな課題である。 強い理論的保護を提供する方法は一般的に、現実的な合成に必要な機能間の依存関係のモデリングを犠牲にします。 PATE-TabTransGANは,PATE(Private Aggregation of Teacher Ensembles)機構とTransformerベースの学生識別器を統合した生成フレームワークであり,GNMax RDP会計士を用いて,数値的に安定したプライバシ会計を行う。 解離分割の訓練を受けたロジスティック回帰教師のアンサンブルは、ノイズ集約ラベルを介して生徒を監督し、残留ジェネレータは、この差分プライベートな学生に対して最適化され、後処理によって正式な(ε, δ)-DP保証を継承する。 PATE-TabTransGANをPATE-GAN,DP-GAN,DP-CTGANと比較した。 4つのベンチマーク(Adult, Breast, Cardio, Cervical)で実施された実験では,提案手法の高品質性が確認された。 AUCPRはCardioで最強のベースラインと一致し、CervicalとBreastのトレイルをリードし、成人ではAUCPRが肯定的な基準に非常に敏感であり、観察されたギャップは合成不全ではなく、評価パイプライン間のコンベンション差と一致していることを示す。

関連論文リスト

• Concordia: Self-Improving Synthetic Tables for Federated LLMs [80.03837595689608]
  フェデレートラーニングは、生データを共有することなく、大きな言語モデル(LLM)をトレーニングすることを可能にする。 合成データ生成とフェデレートされた検証ユーティリティを連携させるフレームワークであるConcordiaを提案する。
  論文  参考訳（メタデータ） (2026-05-11T01:17:58Z)
• Privacy-Preserving Model Transcription with Differentially Private Synthetic Distillation [67.76456940243294]
  プライベートデータセットでトレーニングされたディープラーニングモデルは、プライバシー漏洩のリスクを引き起こす可能性がある。 本稿では,データフリーモデル-モデル変換ソリューションであるエンフェプライシ保存モデル転写について述べる。
  論文  参考訳（メタデータ） (2026-01-27T01:51:35Z)
• Mitra: Mixed Synthetic Priors for Enhancing Tabular Foundation Models [85.64873567417396]
  実世界のデータに対して,その多様性,特異性,および性能のために選択された合成前駆体の硬化した混合物をトレーニングしたTFMであるMitraを紹介する。 Mitraは、TabPFNv2やTabICLのような最先端のTFMを、分類と回帰のベンチマークで一貫して上回っている。
  論文  参考訳（メタデータ） (2025-10-24T07:15:06Z)
• Federated Conformal Predictors for Distributed Uncertainty Quantification [83.50609351513886]
  コンフォーマル予測は、機械学習において厳密な不確実性定量化を提供するための一般的なパラダイムとして現れつつある。 本稿では,共形予測を連邦学習環境に拡張する。 本稿では、FL設定に適した部分交換可能性の弱い概念を提案し、それをフェデレート・コンフォーマル予測フレームワークの開発に利用する。
  論文  参考訳（メタデータ） (2023-05-27T19:57:27Z)
• CTAB-GAN+: Enhancing Tabular Data Synthesis [11.813626861559904]
  CTAB-GAN+は、高機能な合成データドメインのための条件付きGANに下流損失を追加することにより、最先端のGANを改善する。 CTAB-GAN+は、複数のデータセットと異なるプライバシー予算下での学習タスクに対して、少なくとも48.16%高いユーティリティで、プライバシ保存データを合成する。
  論文  参考訳（メタデータ） (2022-04-01T12:52:30Z)
• Adversarial Dual-Student with Differentiable Spatial Warping for Semi-Supervised Semantic Segmentation [70.2166826794421]
  本研究では、教師なしデータ拡張を行うために、微分可能な幾何ワープを提案する。 また,平均教師数を改善するために,新しい対角的二重学習フレームワークを提案する。 我々のソリューションは、両方のデータセットで得られるパフォーマンスと最先端の結果を大幅に改善します。
  論文  参考訳（メタデータ） (2022-03-05T17:36:17Z)
• DP-SGD vs PATE: Which Has Less Disparate Impact on GANs? [0.0]
  我々は、ディープラーニング、DP-SGD、PATEの2つのよく知られたDPフレームワークで訓練されたGANを、異なるデータ不均衡設定で比較する。 我々の実験は、PATEがDP-SGDと異なり、プライバシーとユーティリティのトレードオフは単調に減少していないことを一貫して示している。
  論文  参考訳（メタデータ） (2021-11-26T17:25:46Z)
• Effective and Privacy preserving Tabular Data Synthesizing [0.0]
  複雑な分布を持つ多種多様なデータ型をモデル化できる新しい条件付きテーブルGANアーキテクチャを開発した。 我々は、厳格なプライバシー保証でCTAB-GANをトレーニングし、悪意のあるプライバシー攻撃に対してGANをトレーニングするためのセキュリティを強化する。
  論文  参考訳（メタデータ） (2021-08-11T13:55:48Z)
• DTGAN: Differential Private Training for Tabular GANs [6.174448419090292]
  本稿では,DTGAN_GとDTGAN_Dの2つの変種からなる条件付きワッサースタインGANであるDTGANを提案する。 我々は,DPの理論的プライバシー保証を,メンバーシップや属性推論攻撃に対して実証的に評価する。 その結果,DP-SGD フレームワークは PATE よりも優れており,DP 判別器の方が訓練収束に最適であることが示唆された。
  論文  参考訳（メタデータ） (2021-07-06T10:28:05Z)

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。