Tabellarische Datensynthese mit Fokus auf Differential Privacy unter Verwendung von Generative Adversarial Networks

Abstract

Eine der häufigsten Herausforderungen bei der Einführung und Nutzung von KI-Anwendungen liegt in der Beschaffung der Trainingsdaten. Einerseits mangelt es an ausreichend vielen und qualitativ hochwertigen Daten, andererseits können sensible Daten aufgrund der Gefahr des Privatsphärenverlusts nicht genutzt werden. Mit dem Ziel schützenswerte Daten nutzbar zu machen, ohne die Privatsphäre zu gefährden, setzt sich die Thesis mit der Implementierung von Differential Privacy (DP) in Generative Adversarial Networks (GAN) auseinander. Im Rahmen des Forschungsprojektes DaFne wird konkret nach einem geeigneten DP-GAN gesucht, das zum einen die Eigenschaften der realen Daten abbildet und zum anderen die Privatsphäre schützt. Untersucht werden die Ursprungsmodelle DPGAN & PATE-GAN und die fortgeschrittenen Modelle CTAB-GAN+ & DP-CGANS anhand von zwei Datensätzen unterschiedlicher Komplexität sowie unter Berücksichtigung verschiedener Größen des Privatsphären Budgets. Zusammenfassend überzeugt das CTAB-GAN+ bezüglich Trainingsdauer, Datenqualität sowie Privatsphärenschutz. Insbesondere übertrifft es die anderen Modelle durch eine hohe Datenqualität auch bei geringem Privatsphären Budget sowie durch seine Leistung bei der Generierung hoch-dimensionaler Daten.

One of the most common challenges in the introduction and utilization of AI-applications lies in the procurement of training data. On the one hand there is a lack of sufficient and high-quality data, while on the other hand sensitive data cannot be used due to the risk of privacy loss. With the aim of rendering data both valuable and safeguarded while maintaining privacy, the thesis explores the integration of Differential Privacy (DP) into Generative Adversarial Networks (GAN). The DaFne research project is specifically looking for a suitable DP-GAN that on the one hand maps the properties of real data and on the other hand protects privacy. The original models DPGAN & PATE-GAN as well as the advanced models CTAB-GAN+ & DP-CGANS are analyzed using two data sets of different complexity and considering different sizes of the privacy budget. In summary, CTAB-GAN+ is convincing in terms of training duration, data quality, and privacy protection. In particular, it outperforms the other models due to its high data quality even with a low privacy budget, and its performance in generating highdimensional data.