可信数据空间中的隐私图像数据合成.pdfVIP

可信数据空间中的隐私图像数据合成

摘要

可信数据空间是一种确保数据在整个生命周期中安全、隐私和可信的数字环境，

对于促进数据的高效流通和价值交换，释放数据潜力，推动数字经济发展具有重要意

义。隐私图像数据合成方法通过生成不侵犯训练数据隐私的图像数据，在保护隐私、

促进人工智能发展的同时，推动了可信数据空间的数据安全流通与共享，对加速知识

积累、优化资源配置及提高决策精准度具有重要意义，将在未来技术进步中扮演关键

角色。隐私图像数据合成方法主要是通过训练隐私生成模型来生成隐私图像数据，在

现有隐私图像数据生成的研究工作中，面临着一些挑战：在保证数据隐私的前提下，

图像生成质量以及效用性难以保证，以及在联邦场景下，数据非独立同分布带来的模

型收敛困难以及隐私图像数据效用性差的问题。针对以上问题，本文对差分隐私生成

对抗网络在本地场景以及联邦场景的应用进行深入研究。主要研究内容如下：

（1）针对隐私生成模型收敛效果不佳，生成隐私图像数据质量低下的问题，提出

了一种基于预训练特征网络以及多鉴别器的隐私图像生成模型。该模型相较于先前工

作中隐私生成模型使用的生成模型更快达到模型收敛点，能够在隐私预算消耗完之前

达到更好的收敛效果。同时为了保证训练的稳定性以及生成数据的泛化性为模型增加

了多鉴别器结构。在MINIST等图像数据集上训练的隐私模型生成的隐私数据，优于同

类主流隐私生成模型，表明了该模型能够在保证隐私的前提下发布更加优质的隐私图

像数据。

（2）针对联邦场景中非独立同分布带来的隐私生成模型收敛困难，生成数据效用

低的问题，提出了基于相似度分组的联邦隐私图像生成模型。该模型主要是利用生成

数据来对具有相似数据的客户端进行分组聚合，从而减少由于数据异构所带来的模型

参数偏差。并进行分组训练，学习组内具有相似数据客户端的数据分布，进而加快模

型收敛。在层级架构以及使用狄利克雷分布切割数据集的数据异构场景下使用MINIST

以及Fashion-MINIST数据集进行实验，结果表明生成数据的质量、多样性上均有提升，

优于大部分同类联邦隐私生成模型，表明了该隐私模型在联邦场景下对数据异构问题

的有效性。

关键词：图像数据；差分隐私；生成对抗网络；非独立同分布；

可信数据空间中的隐私图像数据合成

Abstract

Trusteddataspaceisadigitalenvironmentthatensuresthesecurity,privacyand

trustworthinessofdatathroughoutitslifecycle,whichisofgreatsignificanceinpromotingthe

efficientcirculationandvalueexchangeofdata,releasingthepotentialofdataandpromoting

thedevelopmentofdigitaleconomy.Bygeneratingimagedatawithoutviolatingtheprivacyof

thetrainingdata,theprivateimagedatasynthesismethodprotectsprivacyandpromotesthe

developmentofartificialintelligencewhilepromotingthesafecirculationandsharingofdata

inthetrusteddataspace,whichisimportantforacceleratingtheaccumulationofknowledge,

optimisingtheallocationofresourcesandimprovingtheprecisionofdecision-making,andwill

playakeyroleinthefuturetechnologicalprogr