用于隐私敏感身份识别的强化引导合成数据生成

在隐私敏感的场景中越来越需要高保真生成模型，在这些场景中，由于监管和版权的限制，对数据的访问受到严格限制。这种稀缺性阻碍了模型的开发——讽刺的是，在最需要生成模型来弥补数据缺乏的环境中。这就产生了一个自我强化的挑战：有限的数据导致生成模型较差，而这反过来又无法缓解数据稀缺性。为了打破这个循环，我们提出了一种强化引导的合成数据生成框架，该框架将通用域生成先验应用于隐私敏感的身份识别任务。我们首先执行冷启动适应，将预训练的生成器与目标域对齐，建立语义相关性和初始保真度。在此基础上，我们引入了多目标奖励，共同优化语义一致性、覆盖多样性和表达丰富性，指导生成器生成真实且任务有效的样本。在下游训练期间，动态样本选择机制进一步优先考虑高实用性合成样本，从而实现自适应数据扩展和改进的域对齐。对基准数据集的大量实验表明，我们的框架显着提高了生成保真度和分类准确性，同时还对小数据体系中的新类别表现出强大的泛化能力。