PrAda-GAN: A Private Adaptive Generative Adversarial Network with Bayes Network Structure
Ke Jia, Yuheng Ma, Yang Li, Feifei Wang
我们重新审视了在差异隐私下生成合成数据的问题。 为了解决基于边缘的方法的核心限制,我们提出了与贝叶斯网络结构(PrAda-GAN)的私有自适应生成对抗网络(Private Adaptive Generative Adversarial Network),它集成了基于GAN和基于边缘的方法的优势。 我们的方法采用顺序生成器架构来捕获变量之间的复杂依赖关系,同时自适应地规范学习结构,以促进底层贝叶斯网络中的间距。 从理论上讲,我们在参数距离、变量选择误差和Wasserstein距离上建立了递减边界。 我们的分析显示,利用依赖性sarsity可显著提高收敛率。 经验上,合成和真实世界数据集的实验表明,PrAda-GAN在隐私利用权衡方面优于现有的表格数据合成方法。
We revisit the problem of generating synthetic data under differential privacy. To address the core limitations of marginal-based methods, we propose the Private Adaptive Generative Adversarial Network with Bayes Network Structure (PrAda-GAN), which integrates the strengths of both GAN-based and marginal-based approaches. Our method adopts a sequential generator architecture to capture complex dependencies among variables, while adaptively regularizing the learned structure to promote sparsity i...
