文献类型：期刊文章

作　　者：方晨[1] 郭渊博[1] 王娜[1] 甄帅辉[1,2] 唐国栋[3]

FANG Chen;GUO Yuan-bo;WANG Na;ZHEN Shuai-hui;TANG Guo-dong(Information Engineering University,Zhengzhou,Henan 450001,China;Unit 93808,Lanzhou,Gansu 730000,China;Unit 75775,Guangzhou,Guangdong 510000,China)

机构地区：[1]信息工程大学,河南郑州450001 [2]中国人民解放军93808部队,甘肃兰州730000 [3]中国人民解放军75775部队,广东广州510000

出　　处：《电子学报》

基　　金：国家自然科学基金(No.61501515,No.61601515);信息保障技术重点实验室开放基金(No.KJ-15-108)。

年　　份：2020

卷　　号：48

期　　号：10

起止页码：1983-1992

语　　种：中文

收录情况：BDHX、BDHX2017、CAS、CSCD、CSCD2019_2020、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：机器学习的飞速发展使其成为数据挖掘领域最有效的工具之一,但算法的训练过程往往需要大量的用户数据,给用户带来了极大的隐私泄漏风险.由于数据统计特征的复杂性及语义丰富性,传统隐私数据发布方法往往需要对原始数据进行过度清洗,导致数据可用性低而难以再适用于数据挖掘任务.为此,提出了一种基于生成对抗网络(Generative Adversarial Network,GAN)的差分隐私数据发布方法,通过在GAN模型训练的梯度上添加精心设计的噪声来实现差分隐私,确保GAN可无限量生成符合源数据统计特性且不泄露隐私的合成数据.针对现有同类方法合成数据质量低、模型收敛缓慢等问题,设计多种优化策略来灵活调整隐私预算分配并减小总体噪声规模,同时从理论上证明了合成数据严格满足差分隐私特性.在公开数据集上与现有方法进行实验对比,结果表明本方法能够更高效地生成质量更高的隐私保护数据,适用于多种数据分析任务.

关 键 词：差分隐私  生成对抗网络  隐私数据发布  合成数据  数据挖掘

分 类 号：TP301]