Pre-trained Perceptual Features Improve Differentially Private Image Generation

要約

【タイトル】転移学習による安全な画像生成の改善

【要約】
– サイズが中程度の生成モデルを差分プライバシを用いて訓練することは困難であるため、公開された情報の多いデータセットで学習したよい表現から出発して、その表現でプライベートデータをモデリングすることが提案されている。
– 特に、パブリックデータセットから学習した知覚機能に基づくカーネルを使用し、プライベートターゲットデータと生成器の分布間の最大平均誤差(MMD)を最小限に抑え、パラメータ化したモデルによる画像生成を行う。
– MMDを使用することで、差分プライバシにSGDの各ステップでノイズを使用する必要がなく、一度だけデータ非依存項をプライバシー化することができる。
– このアルゴリズムにより、$\epsilon \approx 2$でCIFAR10レベルの画像を生成でき、MNISTやFashionMNISTのようなデータセットに焦点を当てている従来の状況とは異なり、分布の特徴を捉えることができる。
– この研究は、プライベートと非プライベートの深層生成モデルのギャップを埋めるためのシンプルでパワフルな基礎を提供しており、彼らのCIODEは\url{https://github.com/ParkLabML/DP-MEPF}で利用可能である。

要約(オリジナル)

Training even moderately-sized generative models with differentially-private stochastic gradient descent (DP-SGD) is difficult: the required level of noise for reasonable levels of privacy is simply too large. We advocate instead building off a good, relevant representation on an informative public dataset, then learning to model the private data with that representation. In particular, we minimize the maximum mean discrepancy (MMD) between private target data and a generator’s distribution, using a kernel based on perceptual features learned from a public dataset. With the MMD, we can simply privatize the data-dependent term once and for all, rather than introducing noise at each step of optimization as in DP-SGD. Our algorithm allows us to generate CIFAR10-level images with $\epsilon \approx 2$ which capture distinctive features in the distribution, far surpassing the current state of the art, which mostly focuses on datasets such as MNIST and FashionMNIST at a large $\epsilon \approx 10$. Our work introduces simple yet powerful foundations for reducing the gap between private and non-private deep generative models. Our code is available at \url{https://github.com/ParkLabML/DP-MEPF}.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI