.png){kind=icon}
返回
Automating differentially private tabular data synthesis via Bayesian optimization
.png){kind=icon}
OA
AI
DOI：10.1038/s41598-026-49077-y.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在严格差分隐私（DP）约束下生成高保真度合成表格数据是一个关键挑战。差分隐私生成对抗网络（DP-GANs）的实际部署常因极端的超参数敏感性而受阻，导致出现“参数彩票”现象，手动或随机调参难以平衡数据效用与严格的隐私保障。为克服此障碍，我们引入BO-DPCTGAN，一个将超参数调优表述为隐私感知的黑箱优化问题的自动化框架。借助高斯过程代理的贝叶斯优化，它能高效地导航高度非凸的参数空间。我们方法的核心是一个四维评估系统，量化统计保真度、结构完整性、机器学习效用和隐私风险。这些指标通过新颖的调和平均目标动态融合，防止优化器陷入“噪声陷阱”，避免高隐私评分仅掩盖模式崩溃。在多样化真实数据集上的广泛实验表明，BO-DPCTGAN显著优于传统DP模型和强大的随机搜索基线。展现出卓越的样本效率，它始终能识别出安全、高效用配置，抵抗属性推断攻击，即使在严格的隐私预算下（如$$\epsilon = 1.0$$）。最终，本研究将隐私保护数据合成从零散的艺术提升为一种有原则、可控的工程流程。
Keyword:
Engineering
Mathematics and computing
Differential privacy
Generative adversarial networks
Bayesian optimization
Science
Humanities and Social Sciences
multidisciplinary
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
3.9
论文数:
28.2W
被引数:
83.5W
机构
引用论文
Hypervolume-based expected improvement: Monotonicity properties and exact computation基于超体积的期望改进: 单调性和精确计算
PREAI
分享收藏
Concentrated Differentially Private Gradient Descent with Adaptive per-Iteration Privacy Budget具有自适应每次迭代隐私预算的集中差分私有梯度下降.png)
Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data MiningOAAI
Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data MiningIF0
OAAI分享收藏
查看更多内容