.png){kind=icon}
返回
Partition-based differentially private synthetic data generation
.png){kind=icon}
PRE
AI
DOI：10.1016/j.ins.2025.122675.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
私有合成数据共享具有优势，因为它相比均值和频率等汇总统计量，能更好地保留原始数据的分布和细微特征。当前最先进的方法遵循“选择-测量-生成”范式，但测量大域边缘分布往往会导致显著误差，且隐私预算的管理存在挑战。我们的基于分区的方法解决了这些问题，有效减少了误差并提升了合成数据的质量，即使在有限的隐私预算下也是如此。实验结果表明，我们的方法优于现有方法，能够生成质量与效用均得到增强的合成数据，使其成为私有数据共享的首选方案。
Keyword:
Differential privacy
Synthetic data generation
Partition
期刊
IF:
6.8
论文数:
553
被引数:
6.2W
机构
暂无机构信息
引用论文
分享收藏
Epistemic Parity: Reproducibility as an Evaluation Metric for Differential Privacy认知对等性：可重复性作为差分隐私的评估指标
PREAI
分享收藏Horizontal multi-party data publishing via discriminator regularization and adaptive noise under differential privacy差分隐私下基于判别器正则化和自适应噪声的水平多方数据发布.png)
INFORMATION FUSION
INFORMATION FUSIONIF15.5
PREAI
分享收藏 没有更多内容
没有更多内容