Buchumschlag

Does Differentially Private Synthetic Data Lead to Synthetic Discoveries?

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Perez, Ileana Montoya, Movahedi, Parisa, Nieminen, Valtteri, Airola, Antti, Pahikkala, Tapio
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Interaction Concordance Index: Performance Evaluation for Interaction Prediction Methods
von: Pahikkala, Tapio, et al.
Veröffentlicht: (2025)

A Link between Coding Theory and Cross-Validation with Applications
von: Pahikkala, Tapio, et al.
Veröffentlicht: (2021)

Generalized vec trick for fast learning of pairwise kernel models
von: Viljanen, Markus, et al.
Veröffentlicht: (2020)

Tournament Leave-pair-out Cross-validation for Receiver Operating Characteristic (ROC) Analysis
von: Perez, Ileana Montoya, et al.
Veröffentlicht: (2018)

A Comprehensive Guide to Differential Privacy: From Theory to User Expectations
von: Karmitsa, Napsu, et al.
Veröffentlicht: (2025)

A kernel-based framework for learning graded relations from data
von: Waegeman, Willem, et al.
Veröffentlicht: (2011)

Evaluation metrics for temporal preservation in synthetic longitudinal patient data
von: Perkonoja, Katariina, et al.
Veröffentlicht: (2026)

Targeted and Untargeted Amine Metabolite Quantitation in Single Cells with Isobaric Multiplexing
von: Juho Heininen, et al.
Veröffentlicht: (2024)

Differentially Private Synthetic Data Generation for Relational Databases
von: Alimohammadi, Kaveh, et al.
Veröffentlicht: (2024)

Online Differentially Private Synthetic Data Generation
von: He, Yiyun, et al.
Veröffentlicht: (2024)

Differentially Private Linear Regression and Synthetic Data Generation with Statistical Guarantees
von: Lin, Shurong, et al.
Veröffentlicht: (2025)

Differentially Private Synthetic Data with Private Density Estimation
von: Bojkovic, Nikolija, et al.
Veröffentlicht: (2024)

PRISM: Differentially Private Synthetic Data with Structure-Aware Budget Allocation for Prediction
von: Asiaee, Amir, et al.
Veröffentlicht: (2026)

Differentially Private Synthetic Data Release for Topics API Outputs
von: Dick, Travis, et al.
Veröffentlicht: (2025)

Quantitative Auditing of AI Fairness with Differentially Private Synthetic Data
von: Yuan, Chih-Cheng Rex, et al.
Veröffentlicht: (2025)

Leveraging Programmatically Generated Synthetic Data for Differentially Private Diffusion Training
von: Choi, Yujin, et al.
Veröffentlicht: (2024)

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

Risk-Equalized Differentially Private Synthetic Data: Protecting Outliers by Controlling Record-Level Influence
von: Asiaee, Amir, et al.
Veröffentlicht: (2026)

Differentially Private Synthetic Graphs Preserving Triangle-Motif Cuts
von: Peng, Pan, et al.
Veröffentlicht: (2025)

Practical Differentially Private Hyperparameter Tuning with Subsampling
von: Koskela, Antti, et al.
Veröffentlicht: (2023)

Bounding the Excess Risk for Linear Models Trained on Marginal-Preserving, Differentially-Private, Synthetic Data
von: Zhou, Yvonne, et al.
Veröffentlicht: (2024)

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)

A Bias-Variance Decomposition for Ensembles over Multiple Synthetic Datasets
von: Räisä, Ossi, et al.
Veröffentlicht: (2024)

PrivORL: Differentially Private Synthetic Dataset for Offline Reinforcement Learning
von: Gong, Chen, et al.
Veröffentlicht: (2025)

Differentially Private Synthetic High-dimensional Tabular Stream
von: Kumar, Girish, et al.
Veröffentlicht: (2024)

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

Differentially Private Knowledge Distillation via Synthetic Text Generation
von: Flemings, James, et al.
Veröffentlicht: (2024)

Differentially Private Synthetic Data via Foundation Model APIs 1: Images
von: Lin, Zinan, et al.
Veröffentlicht: (2023)

Empirical investigation of multi-source cross-validation in clinical ECG classification
von: Leinonen, Tuija, et al.
Veröffentlicht: (2024)

GEM+: Scalable State-of-the-Art Private Synthetic Data with Generator Networks
von: Maddock, Samuel, et al.
Veröffentlicht: (2025)

PATE-TabTransGAN: Differentially Private Synthetic Tabular Data Generation via Transformer-Based Student Discrimination
von: Youssef, M., et al.
Veröffentlicht: (2026)

Differentially Private Low-dimensional Synthetic Data from High-dimensional Datasets
von: He, Yiyun, et al.
Veröffentlicht: (2023)

Noise-Aware Differentially Private Variational Inference
von: Alrawajfeh, Talal, et al.
Veröffentlicht: (2024)

Does Training with Synthetic Data Truly Protect Privacy?
von: Zhao, Yunpeng, et al.
Veröffentlicht: (2025)

Flexible framework for generating synthetic electrocardiograms and photoplethysmograms
von: Karhinoja, Katri, et al.
Veröffentlicht: (2024)

Inference With Combining Rules From Multiple Differentially Private Synthetic Datasets
von: Nombo, Leila, et al.
Veröffentlicht: (2024)

Differentially Private Synthetic Text Generation for Retrieval-Augmented Generation (RAG)
von: Mori, Junki, et al.
Veröffentlicht: (2025)

ContinuousBench: Can Differentially Private Synthetic Text Improve Capabilities?
von: Liu, Peihan, et al.
Veröffentlicht: (2026)

Privacy-Preserving Model Transcription with Differentially Private Synthetic Distillation
von: Liu, Bochao, et al.
Veröffentlicht: (2026)

Synthetic Data for any Differentiable Target
von: Thrush, Tristan, et al.
Veröffentlicht: (2026)