摘要: 摘要:现有的生成对抗网络(GAN)和差分隐私相结合的方法大多采用梯度扰动的方法实现隐私保护,即在优化过程中利用梯度裁剪约束优化器对单个数据的敏感性,并对裁剪后的梯度添加随机噪声达到保护模型的目的;但大多方法在训练时裁剪阈值固定,阈值过大或过小均会影响模型的性能。针对该问题,提出动态梯度阈值裁剪的DGC_DPGAN算法以兼顾隐私保护和模型的性能。该算法结合预训练技术,在优化过程中先求取每批次隐私数据的梯度F-范数均值作为动态梯度裁剪阈值,再对梯度进行扰动。考虑不同的裁剪顺序,提出先裁剪再加噪的CLIP_DGC_DPGAN算法和先加噪再裁剪的DGC_DPGAN算法,并采用Rényi Accountant求取隐私损失。实验结果表明,在相同的隐私预算下,所提出的两种动态梯度裁剪算法与固定梯度阈值裁剪方法相比,在Mnist数据集上,IS评分,SSIM指标,CNN分类准确率分别提升了0.32-3.92,0.03-0.27,0.06-0.28;在Fashion-Mnist数据集上,IS评分,SSIM指标,CNN分类准确率分别提升了0.4-4.32,0.01-0.44,0.11-0.23;同时GAN模型生成图像的可用性更好。
中图分类号: