GAN 生成样本的隐私性质
On the Privacy Properties of GAN-generated Samples
AI 导读
论文从 GAN 的泛化性质出发，证明在某些假设下 GAN 生成样本本身满足较弱的差分隐私保证。作者指出，若 GAN 在 m 个样本上训练并生成 n 个样本，生成样本满足 (epsilon, delta)-差分隐私，其中 delta 随 O(n/m) 增长；在某些特殊条件下该上界是紧的。论文还将成员推断建模为假设检验，要求区分样本来自训练集还是底层数据分布，并给出该攻击者的 ROC 曲线下面积上界不超过 O(m^{-1/4})。