GQ-ANGAN：一种结合图Q-Learning与自适应NormGAN的双模块生成式隐私计算框架

薛威¹, 陈森²

（1. 复旦大学 计算机科学技术学院，上海 200433；2. 上海说以科技有限公司，上海 201306）

摘要：在数据资产加速市场化的背景下，现有的隐私保护计算技术在保证“数据可用不可见性”原则方面面临重大局限性。现有的隐私保护技术面临重大局限性：差分隐私通常会因噪声的引入而降低数据效用；同态加密会带来相当大的计算开销；传统的生成对抗网络（GAN）往往会损害关键数据特征。为了应对这些挑战，本研究引入了一种新型的隐私保护生成框架GQ-ANGAN，该框架将基于图的Q学习（GQ）与自适应范数约束生成对抗网络（ANGAN）集成在专门为数值数据设计的多层模块化架构中。具体来说，上层GQ模块旨在通过将图结构表示纳入Q学习来保护离散属性，从而实现隐私参数的动态优化和离散特征的高保真仿真。下层ANGAN模块针对连续数据，引入自适应正态分布约束，以增强生成数据和原始数据之间的结构和统计相似性。双向参数反馈机制连接两个模块，促进协同优化，并在不同应用场景中灵活权衡隐私强度和数据效用。大量实验表明：GQ-ANGAN生成的合成数据具有很强的隐私保护安全性和统计属性的高度一致性，同时在机器学习和深度学习任务中都保持了强大的性能。最后，对具有代表性的隐私算法进行综合评估，突显了我们的框架在强大的隐私保护和实际数据可用性之间实现有效且可扩展的平衡的能力。

关键词：基于图的强化学习，隐私保护计算，数据资产，差分隐私，同态加密

扫二维码浏览全文  

Cite this article

Xue, W., Chen, S. GQ-ANGAN: A Dual-Module Generative Privacy Computing Framework Combining Graph-Based Q-Learning and Adaptive NormGAN. J. Shanghai Jiaotong Univ. (Sci.) (2025). https://doi.org/10.1007/s12204-025-2891-8