Buchumschlag

Generating Synthetic Health Sensor Data for Privacy-Preserving Wearable Stress Detection

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Lange, Lucas, Wenzlitschke, Nils, Rahm, Erhard
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Artificial Intelligence Cryptography and Security
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Assessing the Impact of Image Dataset Features on Privacy-Preserving Machine Learning
von: Lange, Lucas, et al.
Veröffentlicht: (2024)

Federated Learning With Individualized Privacy Through Client Sampling
von: Lange, Lucas, et al.
Veröffentlicht: (2025)

Privacy in Practice: Private COVID-19 Detection in X-Ray Images (Extended Version)
von: Lange, Lucas, et al.
Veröffentlicht: (2022)

KIPPS: Knowledge infusion in Privacy Preserving Synthetic Data Generation
von: Kotal, Anantaa, et al.
Veröffentlicht: (2024)

Learning from Anonymized and Incomplete Tabular Data
von: Lange, Lucas, et al.
Veröffentlicht: (2026)

RL-Finetuned LLMs for Privacy-Preserving Synthetic Rewriting
von: Shi, Zhan, et al.
Veröffentlicht: (2025)

How to DP-fy Your Data: A Practical Guide to Generating Synthetic Data With Differential Privacy
von: Ponomareva, Natalia, et al.
Veröffentlicht: (2025)

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

Privacy-Preserving Intrusion Detection using Convolutional Neural Networks
von: Kodys, Martin, et al.
Veröffentlicht: (2024)

Privacy-Preserving Heterogeneous Federated Learning for Sensitive Healthcare Data
von: Xu, Yukai, et al.
Veröffentlicht: (2024)

CADRE: Customizable Assurance of Data Readiness in Privacy-Preserving Federated Learning
von: Hiniduma, Kaveen, et al.
Veröffentlicht: (2025)

Towards Privacy-Preserving Data-Driven Education: The Potential of Federated Learning
von: Khalil, Mohammad, et al.
Veröffentlicht: (2025)

Towards Achieving Near-optimal Utility for Privacy-Preserving Federated Learning via Data Generation and Parameter Distortion
von: Zhang, Xiaojin, et al.
Veröffentlicht: (2023)

Learning Privacy-Preserving Student Networks via Discriminative-Generative Distillation
von: Ge, Shiming, et al.
Veröffentlicht: (2024)

Privacy-Preserving Data Sharing in Agriculture: Enforcing Policy Rules for Secure and Confidential Data Synthesis
von: Kotal, Anantaa, et al.
Veröffentlicht: (2023)

Data-Free Privacy-Preserving for LLMs via Model Inversion and Selective Unlearning
von: Zhou, Xinjie, et al.
Veröffentlicht: (2026)

Efficient Privacy-Preserving Recommendation on Sparse Data using Fully Homomorphic Encryption
von: Chowdhury, Moontaha Nishat, et al.
Veröffentlicht: (2025)

Privacy-Preserving Dynamic Assortment Selection
von: Cho, Young Hyun, et al.
Veröffentlicht: (2024)

Multi-Layer Privacy-Preserving Record Linkage with Clerical Review based on gradual information disclosure
von: Rohde, Florens, et al.
Veröffentlicht: (2024)

Towards Family-Grouped Hierarchical Federated Learning on Sub-5KB Models: A Feasibility Study of Privacy-Preserving ECG Monitoring for Ultra-Resource-Constrained Wearables
von: Wu, Hangyu
Veröffentlicht: (2026)

Class-Aware Adaptive Differential Privacy in Deep Learning for Sensor-Based Fall Detection
von: Sana, Joydeb Kumar
Veröffentlicht: (2026)

Privacy-Preserving in Blockchain-based Federated Learning Systems
von: M., Sameera K., et al.
Veröffentlicht: (2024)

Privacy Preserving Federated Learning with Convolutional Variational Bottlenecks
von: Scheliga, Daniel, et al.
Veröffentlicht: (2023)

LIA: Privacy-Preserving Data Quality Evaluation in Federated Learning Using a Lazy Influence Approximation
von: Rokvic, Ljubomir, et al.
Veröffentlicht: (2022)

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

Privacy-Preserving Federated Learning with Differentially Private Hyperdimensional Computing
von: Piran, Fardin Jalil, et al.
Veröffentlicht: (2024)

Privacy-Preserving Federated Learning via Homomorphic Adversarial Networks
von: Dong, Wenhan, et al.
Veröffentlicht: (2024)

Effectiveness of L2 Regularization in Privacy-Preserving Machine Learning
von: Chandrinos, Nikolaos, et al.
Veröffentlicht: (2024)

GOD model: Privacy Preserved AI School for Personal Assistant
von: PIN AI Team, et al.
Veröffentlicht: (2025)

Optimizing Privacy-Preserving Primitives to Support LLM-Scale Applications
von: Jandali, Yaman, et al.
Veröffentlicht: (2025)

Federated Inference: Toward Privacy-Preserving Collaborative and Incentivized Model Serving
von: Seo, Jungwon, et al.
Veröffentlicht: (2026)

ACU: Analytic Continual Unlearning for Efficient and Exact Forgetting with Privacy Preservation
von: Tang, Jianheng, et al.
Veröffentlicht: (2025)

Federated Foundation Models: Privacy-Preserving and Collaborative Learning for Large Models
von: Yu, Sixing, et al.
Veröffentlicht: (2023)

TeleSparse: Practical Privacy-Preserving Verification of Deep Neural Networks
von: Maheri, Mohammad M, et al.
Veröffentlicht: (2025)

Differentially Private Synthetic Data Generation Using Context-Aware GANs
von: Kotal, Anantaa, et al.
Veröffentlicht: (2025)

ST-DPGAN: A Privacy-preserving Framework for Spatiotemporal Data Generation
von: Shao, Wei, et al.
Veröffentlicht: (2024)

Privacy Policy Enforcement Guardrails for Data-Sensitive Retrieval-Augmented Generation
von: Zafar, Osama, et al.
Veröffentlicht: (2026)

Synthetic Data Generation and Differential Privacy using Tensor Networks' Matrix Product States (MPS)
von: R., Alejandro Moreno, et al.
Veröffentlicht: (2025)

Scalable and Privacy-Preserving Synthetic Data Generation on Decentralised Web
von: Ramesh, Vishal, et al.
Veröffentlicht: (2023)

Privacy Preserving and Robust Aggregation for Cross-Silo Federated Learning in Non-IID Settings
von: Arazzi, Marco, et al.
Veröffentlicht: (2025)