评审工作记录
第一次认真写一篇论文评审，做一次小记录
Summary Of The Paper:
这篇文章提出了一个 Lipschitz 约束的 VAE 变体用于实现差分隐私保证的数据合成方案。现有的主流数据合成方案是基于 DP-SGD 以及 PATE 框架结合 GAN、VAE、Diffusion Model等生成模型。本文章主要贡献点是针对常规 DP 添加噪声影响模型精度以及隐私预算有限问题，提出利用Lipschitz 约束实现独立于训练样本数量的差分隐私保证方法。
Main Review:
- Strength of the paper:
- 证明过程清晰
- 针对 VAE的无噪声 DP 有一定创新性,Lipschitz 结合 DP工作不是一个很新的概念，应用到 VAE 中目前我个人没见过
- Weakness of the paper:
- 实验完备性不足：
a) 数据质量没有实验数据：对于数据合成方案上，文章中强调不仅隐私保护效果更好，且数据质量更佳。在数据质量上并没有实验支撑，例如下游任务的精度，原数据集相似度等指标。
b) 对比方案不足：没有对比例如 DP-GAN、PATE-GAN、G-PATE、DataLens以及DP-Diffusion model等一系列其他数据合成主流方案
c) 数据集支撑不足：仅仅只对 mnist 数据集进行了实验，应该多扩展一些常见数据集 - 文中描述方案隐私保护效果对比 VAE-DPSGD，然而由实验图中可知，对于 MIA（成员推理攻击） 的保护效果并没有 VAE-DPSGD 好，且没有数据质量的实验数据前提下，方案优势并不明显。
- 所选 Lipschitz 常数与隐私保证之间的联系需要量化
- 文中写作错误