Buchumschlag

Graphical vs. Deep Generative Models: Measuring the Impact of Differentially Private Mechanisms and Budgets on Utility

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Ganev, Georgi, Xu, Kai, De Cristofaro, Emiliano
Format:	Preprint
Veröffentlicht:	2023
Schlagworte:	Machine Learning Cryptography and Security
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Rethinking Anonymity Claims in Synthetic Data Generation: A Model-Centric Privacy Attack Perspective
von: Ganev, Georgi, et al.
Veröffentlicht: (2026)

The Importance of Being Discrete: Measuring the Impact of Discretization in End-to-End Differentially Private Synthetic Data
von: Ganev, Georgi, et al.
Veröffentlicht: (2025)

The Inadequacy of Similarity-based Privacy Metrics: Privacy Attacks against "Truly Anonymous" Synthetic Datasets
von: Ganev, Georgi, et al.
Veröffentlicht: (2023)

Understanding the Impact of Data Domain Extraction on Synthetic Data Privacy
von: Ganev, Georgi, et al.
Veröffentlicht: (2025)

The Elusive Pursuit of Reproducing PATE-GAN: Benchmarking, Auditing, Debugging
von: Ganev, Georgi, et al.
Veröffentlicht: (2024)

"What do you want from theory alone?" Experimenting with Tight Auditing of Differentially Private Synthetic Data Generation
von: Annamalai, Meenatchi Sundaram Muthu Selva, et al.
Veröffentlicht: (2024)

Nearly Tight Black-Box Auditing of Differentially Private Machine Learning
von: Annamalai, Meenatchi Sundaram Muthu Selva, et al.
Veröffentlicht: (2024)

dpmm: Differentially Private Marginal Models, a Library for Synthetic Tabular Data Generation
von: Mahiou, Sofiane, et al.
Veröffentlicht: (2025)

A Systematic Review of Federated Generative Models
von: Gargary, Ashkan Vedadi, et al.
Veröffentlicht: (2024)

Tight Auditing of Differential Privacy in MST and AIM
von: Ganev, Georgi, et al.
Veröffentlicht: (2026)

The DCR Delusion: Measuring the Privacy Risk of Synthetic Data
von: Yao, Zexi, et al.
Veröffentlicht: (2025)

Improving the Utility of Differentially Private Clustering through Dynamical Processing
von: Byun, Junyoung, et al.
Veröffentlicht: (2023)

Synthetic Data, Similarity-based Privacy Metrics, and Regulatory (Non-)Compliance
von: Ganev, Georgi
Veröffentlicht: (2024)

SMOTE and Mirrors: Exposing Privacy Leakage from Synthetic Minority Oversampling
von: Ganev, Georgi, et al.
Veröffentlicht: (2025)

To Shuffle or not to Shuffle: Auditing DP-SGD with Shuffling
von: Annamalai, Meenatchi Sundaram Muthu Selva, et al.
Veröffentlicht: (2024)

An Improved Privacy and Utility Analysis of Differentially Private SGD with Bounded Domain and Smooth Losses
von: Liang, Hao, et al.
Veröffentlicht: (2025)

Correlated Noise Mechanisms for Differentially Private Learning
von: Pillutla, Krishna, et al.
Veröffentlicht: (2025)

Differentially Private Diffusion Models
von: Dockhorn, Tim, et al.
Veröffentlicht: (2022)

Training Differentially Private Models with Secure Multiparty Computation
von: Pentyala, Sikha, et al.
Veröffentlicht: (2022)

The Hitchhiker's Guide to Efficient, End-to-End, and Tight DP Auditing
von: Annamalai, Meenatchi Sundaram Muthu Selva, et al.
Veröffentlicht: (2025)

Releasing Differentially Private Event Logs Using Generative Models
von: Wangelik, Frederik, et al.
Veröffentlicht: (2025)

DPIS: An Enhanced Mechanism for Differentially Private SGD with Importance Sampling
von: Wei, Jianxin, et al.
Veröffentlicht: (2022)

Bayesian Pseudo Posterior Mechanism for Differentially Private Machine Learning
von: Chew, Robert, et al.
Veröffentlicht: (2025)

DPDR: Gradient Decomposition and Reconstruction for Differentially Private Deep Learning
von: Liu, Yixuan, et al.
Veröffentlicht: (2024)

Differentially Private Random Feature Model
von: Liao, Chunyang, et al.
Veröffentlicht: (2024)

Limits of Personalizing Differential Privacy Budgets
von: Cyffers, Edwige, et al.
Veröffentlicht: (2026)

Scaling Laws for Differentially Private Language Models
von: McKenna, Ryan, et al.
Veröffentlicht: (2025)

Differentially Private Training of Mixture of Experts Models
von: Tholoniat, Pierre, et al.
Veröffentlicht: (2024)

Differentially Private Deep Model-Based Reinforcement Learning
von: Rio, Alexandre, et al.
Veröffentlicht: (2024)

ACTG-ARL: Differentially Private Conditional Text Generation with RL-Boosted Control
von: Hu, Yuzheng, et al.
Veröffentlicht: (2025)

Privacy Amplification by Structured Subsampling for Deep Differentially Private Time Series Forecasting
von: Schuchardt, Jan, et al.
Veröffentlicht: (2025)

DP-LDMs: Differentially Private Latent Diffusion Models
von: Liu, Michael F., et al.
Veröffentlicht: (2023)

Efficient Differentially Private Fine-Tuning of Diffusion Models
von: Liu, Jing, et al.
Veröffentlicht: (2024)

LMO-DP: Optimizing the Randomization Mechanism for Differentially Private Fine-Tuning (Large) Language Models
von: Yang, Qin, et al.
Veröffentlicht: (2024)

AdvSGM: Differentially Private Graph Learning via Adversarial Skip-gram Model
von: Zhang, Sen, et al.
Veröffentlicht: (2025)

Differentially Private Attention Computation
von: Gao, Yeqi, et al.
Veröffentlicht: (2023)

Delving into Differentially Private Transformer
von: Ding, Youlong, et al.
Veröffentlicht: (2024)

Privately Learning Decision Lists and a Differentially Private Winnow
von: Bun, Mark, et al.
Veröffentlicht: (2026)

Beyond One-Size-Fits-All: Neural Networks for Differentially Private Tabular Data Synthesis
von: Chen, Kai, et al.
Veröffentlicht: (2025)

Universal Exact Compression of Differentially Private Mechanisms
von: Liu, Yanxiao, et al.
Veröffentlicht: (2024)