Existe una fuerte correlación positiva entre el desarrollo del aprendizaje profundo y la cantidad de datos públicos disponibles. No todos los datos pueden ser liberados en su forma cruda debido al riesgo para la privacidad de las personas relacionadas. El objetivo principal de la publicación de datos preservando la privacidad es anonimizar los datos manteniendo su utilidad. En este documento, proponemos una red generativa adversarial preservando la privacidad (PPSGAN) que agrega selectivamente ruido a las características independientes de clase de cada imagen para permitir que la imagen procesada mantenga su etiqueta de clase original. Nuestros experimentos en la capacitación de clasificadores con conjuntos de datos sintéticos anonimizados con varios métodos confirman que PPSGAN muestra una mejor utilidad que otros métodos convencionales, incluyendo el desenfoque, la adición de ruido, el filtrado y la generación utilizando GANs.