[论文解读] AnomiGAN: Generative adversarial networks for anonymizing private medical data

Ho Bae, Dahuin Jung+1 more|arXiv (Cornell University)|Jan 31, 2019

Privacy-Preserving Technologies in Data参考文献 28被引用 4

一句话总结

AnomiGAN 是一种生成对抗网络框架，通过训练生成器生成与真实数据无法区分的合成数据，同时保留下游预测任务的实用性，从而对私密医疗数据进行匿名化。在同等隐私保障下，其预测性能优于差分隐私，展现出隐私与模型准确率之间的有利权衡。

ABSTRACT

Typical personal medical data contains sensitive information about individuals. Storing or sharing the personal medical data is thus often risky. For example, a short DNA sequence can provide information that can not only identify an individual, but also his or her relatives. Nonetheless, most countries and researchers agree on the necessity of collecting personal medical data. This stems from the fact that medical data, including genomic data, are an indispensable resource for further research and development regarding disease prevention and treatment. To prevent personal medical data from being misused, techniques to reliably preserve sensitive information should be developed for real world application. In this paper, we propose a framework called anonymized generative adversarial networks (AnomiGAN), to improve the maintenance of privacy of personal medical data, while also maintaining high prediction performance. We compared our method to state-of-the-art techniques and observed that our method preserves the same level of privacy as differential privacy (DP), but had better prediction results. We also observed that there is a trade-off between privacy and performance results depending on the degree of preservation of the original data. Here, we provide a mathematical overview of our proposed model and demonstrate its validation using UCI machine learning repository datasets in order to highlight its utility in practice. Experimentally, our approach delivers a better performance compared to that of the DP approach.

研究动机与目标

• 为解决在不损害个人隐私的前提下共享敏感医疗数据（尤其是基因组信息）的挑战。
• 开发一种隐私保护型数据匿名化方法，确保其对机器学习模型具有高实用性。
• 在隐私保护与预测性能方面超越现有方法（如差分隐私）。
• 提供一种可扩展的、基于深度学习的替代方案，以替代统计或密码学匿名化技术。
• 实现在在线医疗服务平台及机器学习即服务（MLaaS）平台中的安全数据共享。

提出的方法

• AnomiGAN 采用条件生成对抗网络（Conditional GAN）架构，其中生成器学习将随机噪声映射为基于目标分类器条件的匿名化医疗数据。
• 判别器被预训练的目标分类器替代，以引导生成器生成能保持高预测性能的数据。
• 通过隐私参数 λₑ 引入隐私正则化项，通过调节原始数据与生成数据之间的欧氏距离，控制数据实用性与隐私保护之间的权衡。
• 训练过程中引入逐层方差注入，以增强模型鲁棒性，并提升在不同数据分布下的泛化能力。
• 训练目标结合重建损失、对抗损失和隐私感知正则化项，以平衡数据保真度、隐私保护与实用性。
• 采用联合损失函数端到端训练框架，同时优化数据相似性与分类器性能。

实验结果

研究问题

• RQ1 基于 GAN 的框架能否在保留下游机器学习任务实用性的同时，有效实现私密医疗数据的匿名化？
• RQ2 在同等隐私约束下，AnomiGAN 与差分隐私在预测准确率和 AUC 表现上相比如何？
• RQ3 隐私参数 λₑ 的变化对数据实用性与隐私保护之间权衡的影响是什么？
• RQ4 逐层方差注入是否能提升匿名化数据的鲁棒性与泛化能力？
• RQ5 所提出的方法是否可在不依赖背景人群假设的前提下应用于真实世界医疗数据集？

主要发现

• AnomiGAN 在隐私保障方面与差分隐私相当，但在乳腺癌和慢性肾病数据集上的预测准确率与 AUC 显著更高。
• 随着隐私参数 λₑ 增大，原始数据与匿名化数据之间的相关性仍保持较强，表明数据保真度高。
• 随着 λₑ 增大，下游分类器的平均准确率与 AUC 保持稳定或有所提升，表明对隐私约束具有鲁棒性。
• 逐层方差注入对相关性产生有限但可测量的影响，且准确率与 AUC 损失微小，表明网络各层性能稳定。
• AnomiGAN 训练时间高效，乳腺癌数据集训练时间少于 2 小时，慢性肾病数据集训练时间低于 1 小时（使用最优超参数）。
• 该方法在隐私-实用性权衡与预测性能方面均优于差分隐私，是真实世界医疗数据共享的可行替代方案。