English(EN) Benchmarking Time Series Generation Methods for Privacy-Preserving Forecasting

新基准评估用于隐私保护预测的合成时间序列

作者 PulseAugur 编辑部 · [1 个来源] · 2026-08-12 04:00

一项新的基准研究评估了用于生成合成时间序列数据的方法，重点关注它们在训练预测模型同时保护隐私时的有效性。研究发现，虽然没有一种合成方法能够完全替代原始数据进行训练，但基于噪声的匿名化在牺牲性能的情况下提供了最佳的隐私保护。在此特定的隐私保护预测场景下，简单的基于变换的生成器优于深度生成模型。该研究还引入了 Grasynda-P，一种新颖的、以隐私为动机的生成器，在预测准确性和隐私之间实现了具有竞争力的平衡。 AI

影响为开发和评估用于预测的隐私感知合成时间序列生成方法建立了一个参考点。

排序理由学术论文，详细介绍了合成数据生成的新基准和方法。[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 →

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Luis Amorim, Vitor Cerqueira, Moises Santos, Paulo J. Azevedo, Carlos Soares · 2026-08-12 04:00

隐私保护预测的时间序列生成方法基准测试

arXiv:2608.10891v1 Announce Type: new Abstract: Time series forecasting in privacy-sensitive domains often requires training models on released data rather than original observations. Synthetic time series generation has been developed primarily for data augmentation, where gener…

报道来源 [1]

隐私保护预测的时间序列生成方法基准测试

相关实体

相关话题