PAC Privacy Preserving Diffusion Models

要約

データプライバシー保護は、研究者の間でますます注目を集めています。
特に厳格な差分プライバシーを備えた拡散モデル (DM) は、高いプライバシーと視覚的品質の両方を備えた画像を生成できる可能性があります。
ただし、特定のデータ属性を民営化する際に堅牢な保護を確保するなどの課題が生じており、現在のモデルでは不十分なことがよくあります。
これらの課題に対処するために、当社は PAC プライバシー保護拡散モデルを導入しました。このモデルは拡散原理を活用し、おそらくほぼ正確 (PAC) のプライバシーを確​​保します。
プライベート分類子ガイダンスをランジュバン サンプリング プロセスに統合することで、プライバシー保護を強化します。
さらに、モデルのプライバシーの測定におけるギャップを認識し、プライバシー レベルを測定するための新しい指標を開発しました。
この新しい指標で評価され、PAC 境界のガウス行列計算によってサポートされている私たちのモデルは、ベンチマーク テストによると、既存の主要なプライベート生成モデルよりもプライバシー保護において優れたパフォーマンスを示しています。

要約(オリジナル)

Data privacy protection is garnering increased attention among researchers. Diffusion models (DMs), particularly with strict differential privacy, can potentially produce images with both high privacy and visual quality. However, challenges arise such as in ensuring robust protection in privatizing specific data attributes, areas where current models often fall short. To address these challenges, we introduce the PAC Privacy Preserving Diffusion Model, a model leverages diffusion principles and ensure Probably Approximately Correct (PAC) privacy. We enhance privacy protection by integrating a private classifier guidance into the Langevin Sampling Process. Additionally, recognizing the gap in measuring the privacy of models, we have developed a novel metric to gauge privacy levels. Our model, assessed with this new metric and supported by Gaussian matrix computations for the PAC bound, has shown superior performance in privacy protection over existing leading private generative models according to benchmark tests.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google