开发了一个名为 CaP-Eval 的新工作流，用于审计合成和蒸馏的学生数据在机构支持决策中的隐私和效用。该工作流根据预测准确性、处理效应保真度、鲁棒性和局部训练记录邻近度来评估数据。结果表明，与对抗性和高斯 Copula 基线相比，DPGNet 和蒸馏数据在保留财务状况处理效应方面更可靠，尽管蒸馏数据保留了更强的邻近度信号。 AI
排序理由 该集群包含一篇详细介绍合成数据审计新工作流的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
- adversarial synthetic data
- alphaXiv
- CaP-Eval
- CatalyzeX
- DagsHub
- distilled data
- DPGNet
- Gaussian Copula
- Gotit.pub
- Hugging Face
- ScienceCast
- TabularGNet
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →