PulseAugur
中
实时 10:14:16
English(EN) Quantifying Membership Disclosure Risk for Tabular Synthetic Data Using Kernel Density Estimators

新方法量化合成表格数据中的隐私风险

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种新方法，使用核密度估计器（KDEs）来量化表格合成数据中的成员泄露风险。该方法通过模拟合成数据点与训练数据点之间的距离，来概率性地推断成员身份，比以往的方法提供了更稳健的评估。该技术已在真实数据集上得到验证，为数据管理者在发布合成数据集之前评估和描述隐私风险提供了一个实用的框架。 AI

影响 为评估合成数据中的隐私风险提供了一个新指标，这对于医疗保健和金融等敏感领域至关重要。

排序理由 该集群包含一篇学术论文，详细介绍了一种量化合成数据隐私风险的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新方法量化合成表格数据中的隐私风险

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Rajdeep Pathak, Amit Basak, Sayantee Jana ·

    使用核密度估计量量化表格合成数据中的成员披露风险

    arXiv:2603.10937v2 Announce Type: replace Abstract: The use of synthetic data has become increasingly popular as a privacy-preserving alternative to sharing real datasets, especially in sensitive domains such as healthcare, finance, and demography. However, the privacy assurances…

相关实体

相关话题