Buchumschlag

The Elusive Pursuit of Reproducing PATE-GAN: Benchmarking, Auditing, Debugging

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Ganev, Georgi, Annamalai, Meenatchi Sundaram Muthu Selva, De Cristofaro, Emiliano
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Cryptography and Security
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

"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)

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

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)

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

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

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

It's Our Loss: No Privacy Amplification for Hidden State DP-SGD With Non-Convex Loss
von: Annamalai, Meenatchi Sundaram Muthu Selva
Veröffentlicht: (2024)

CLIOPATRA: Extracting Private Information from LLM Insights
von: Annamalai, Meenatchi Sundaram Muthu Selva, et al.
Veröffentlicht: (2026)

A Linear Reconstruction Approach for Attribute Inference Attacks against Synthetic Data
von: Annamalai, Meenatchi Sundaram Muthu Selva, et al.
Veröffentlicht: (2023)

Beyond the Crawl: Unmasking Browser Fingerprinting in Real User Interactions
von: Annamalai, Meenatchi Sundaram Muthu Selva, 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)

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

Graphical vs. Deep Generative Models: Measuring the Impact of Differentially Private Mechanisms and Budgets on Utility
von: Ganev, Georgi, et al.
Veröffentlicht: (2023)

A Unified Framework for Adversary-Aware Differential Privacy Bounds
von: Swanberg, Marika, et al.
Veröffentlicht: (2025)

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

PATE-TripleGAN: Privacy-Preserving Image Synthesis with Gaussian Differential Privacy
von: Jiang, Zepeng, et al.
Veröffentlicht: (2024)

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

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)

Generation of Human Comprehensible Access Control Policies from Audit Logs
von: Kumar, Gautam, et al.
Veröffentlicht: (2026)

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

Exploring the limits of strong membership inference attacks on large language models
von: Hayes, Jamie, et al.
Veröffentlicht: (2025)

Hot PATE: Private Aggregation of Distributions for Diverse Task
von: Cohen, Edith, et al.
Veröffentlicht: (2023)

Synthetic Data: Methods, Use Cases, and Risks
von: De Cristofaro, Emiliano
Veröffentlicht: (2023)

Observational Auditing of Label Privacy
von: Kalemaj, Iden, et al.
Veröffentlicht: (2025)

AMUN: Adversarial Machine UNlearning
von: Ebrahimpour-Boroojeny, Ali, et al.
Veröffentlicht: (2025)

Visual Privacy Auditing with Diffusion Models
von: Schwethelm, Kristian, et al.
Veröffentlicht: (2024)

Auditing $f$-Differential Privacy in One Run
von: Mahloujifar, Saeed, et al.
Veröffentlicht: (2024)

Optimizing Canaries for Privacy Auditing with Metagradient Descent
von: Boglioni, Matteo, et al.
Veröffentlicht: (2025)

The Sample Complexity of Membership Inference and Privacy Auditing
von: Haghifam, Mahdi, et al.
Veröffentlicht: (2025)

Exploiting Defenses against GAN-Based Feature Inference Attacks in Federated Learning
von: Luo, Xinjian, et al.
Veröffentlicht: (2020)

Auditing Differential Privacy Guarantees Using Density Estimation
von: Koskela, Antti, et al.
Veröffentlicht: (2024)

Auditing Privacy Mechanisms via Label Inference Attacks
von: Busa-Fekete, Róbert István, et al.
Veröffentlicht: (2024)

TAPE: Tailored Posterior Difference for Auditing of Machine Unlearning
von: Wang, Weiqi, et al.
Veröffentlicht: (2025)

SD-CGAN: Conditional Sinkhorn Divergence GAN for DDoS Anomaly Detection in IoT Networks
von: Onyeka, Henry, et al.
Veröffentlicht: (2025)

PANORAMIA: Privacy Auditing of Machine Learning Models without Retraining
von: Kazmi, Mishaal, et al.
Veröffentlicht: (2024)

SoK: Dataset Copyright Auditing in Machine Learning Systems
von: Du, Linkang, et al.
Veröffentlicht: (2024)

A General Framework for Data-Use Auditing of ML Models
von: Huang, Zonghao, et al.
Veröffentlicht: (2024)

How Well Can Differential Privacy Be Audited in One Run?
von: Keinan, Amit, et al.
Veröffentlicht: (2025)