From Private to Public: Benchmarking GANs in the Context of Private Time Series Classification

要約

深層学習は、さまざまな分野やさまざまなタスクで成功を収めていることが証明されています。
ただし、個人データに関しては、いくつかの制限により、これらのアプリケーション分野で深層学習アプローチを使用することが難しくなっています。
最近のアプローチでは、分類器の上にプライバシー保護メカニズムを直接適用するのではなく、非公開でデータを生成しようとしています。
解決策は、データのプライバシーを保護する方法でプライベート データからパブリック データを作成することです。
この作業では、2 つの非常に著名な GAN ベースのアーキテクチャが、プライベート時系列分類のコンテキストで評価されました。
主に画像ドメインに限定されていた以前の作業とは対照的に、このベンチマークの範囲は時系列ドメインでした。
実験では、特に GSWGAN がさまざまな公開データセットで優れたパフォーマンスを発揮し、競合他社の DPWGAN よりも優れていることが示されています。
生成されたデータセットの分析により、時系列生成のコンテキストで GSWGAN の優位性がさらに検証されます。

要約(オリジナル)

Deep learning has proven to be successful in various domains and for different tasks. However, when it comes to private data several restrictions are making it difficult to use deep learning approaches in these application fields. Recent approaches try to generate data privately instead of applying a privacy-preserving mechanism directly, on top of the classifier. The solution is to create public data from private data in a manner that preserves the privacy of the data. In this work, two very prominent GAN-based architectures were evaluated in the context of private time series classification. In contrast to previous work, mostly limited to the image domain, the scope of this benchmark was the time series domain. The experiments show that especially GSWGAN performs well across a variety of public datasets outperforming the competitor DPWGAN. An analysis of the generated datasets further validates the superiority of GSWGAN in the context of time series generation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google