Generating synthetic data with Inferential Wasserstein Generative Adversarial Network

Abstract

Today, the importance of generating synthetic data has arisen more than ever. It comes from the fact that although there are a lot of datas these days, regardless of big and small, the risk of privacy leakage also arises from there. Therefore, to achieve the initial goal of analyzing the data while preserving privacy of the person of the origin of the data, generating synthetic data should come into place. For synthetic data generation, many generative models have been used, including Generative Adversarial Network, or GAN. In this paper, we use inferential Wasserstein Generative Adversarial Network, or iWGAN, which is an improvement of GAN, to generate synthetic data and see how it performs.

최근에 합성 데이터를 생성하는 것에 대한 중요성이 그 어느 때보다도 올라갔다. 이는 지금 같은 상황에서 크기에 무관하게 많은 데이터가 존재하고, 그로 인해 사생활에 대한 침해의 우려 때문에 발생하는 상황이다. 이에 따라 데이터를 분석하는 최초의 목적을 달성함과 동시에 원 데이터로부터의 사생활 침해 우려를 막기 위해서 합성 데이터 생성이 필요하다. 합성 데이터 생성을 위해 많은 생성 모델이 활용되었는데, 그 중에는 Generative Adversarial Network, 또는 GAN이 있다. 이 논문에서는 GAN의 일종인 새로 제안된 기법 inferential Wasserstein Generative Adversarial Network, 또는 iWGAN을 활용하여 합성 데이터를 생성하고, 생성이 얼마나 잘 되는지를 확인할 것이다.