Buchumschlag

Privacy Vulnerabilities in Marginals-based Synthetic Data

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Golob, Steven, Pentyala, Sikha, Maratkhan, Anuar, De Cock, Martine
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Cryptography and Security Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

High Epsilon Synthetic Data Vulnerabilities in MST and PrivBayes
von: Golob, Steven, et al.
Veröffentlicht: (2024)

End to End Collaborative Synthetic Data Generation
von: Pentyala, Sikha, et al.
Veröffentlicht: (2024)

Secure Cross-Silo Synthetic Genomic Data Generation
von: Filienko, Daniil, et al.
Veröffentlicht: (2026)

CaPS: Collaborative and Private Synthetic Data Generation from Distributed Sources
von: Pentyala, Sikha, et al.
Veröffentlicht: (2024)

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

FHAIM: Fully Homomorphic AIM For Private Synthetic Data Generation
von: Kumar, Mayank, et al.
Veröffentlicht: (2026)

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

Privacy-Preserving Fair Synthetic Tabular Data
von: Sarmin, Fatima J., et al.
Veröffentlicht: (2025)

Synthetic Data: Revisiting the Privacy-Utility Trade-off
von: Sarmin, Fatima Jahan, et al.
Veröffentlicht: (2024)

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

SMOTE-DP: Improving Privacy-Utility Tradeoff with Synthetic Data
von: Zhou, Yan, et al.
Veröffentlicht: (2025)

Scalable and Privacy-Preserving Synthetic Data Generation on Decentralised Web
von: Ramesh, Vishal, 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)

Privacy Amplification Through Synthetic Data: Insights from Linear Regression
von: Pierquin, Clément, 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)

SafeSynthDP: Leveraging Large Language Models for Privacy-Preserving Synthetic Data Generation Using Differential Privacy
von: Nahid, Md Mahadi Hasan, et al.
Veröffentlicht: (2024)

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

Driving Privacy Forward: Mitigating Information Leakage within Smart Vehicles through Synthetic Data Generation
von: Parikh, Krish
Veröffentlicht: (2024)

Towards Benchmarking Privacy Vulnerabilities in Selective Forgetting with Large Language Models
von: Qian, Wei, et al.
Veröffentlicht: (2025)

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

PrivaDE: Privacy-preserving Data Evaluation for Blockchain-based Data Marketplaces
von: Wong, Wan Ki, et al.
Veröffentlicht: (2025)

FLAIM: AIM-based Synthetic Data Generation in the Federated Setting
von: Maddock, Samuel, et al.
Veröffentlicht: (2023)

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

Six Levels of Privacy: A Framework for Financial Synthetic Data
von: Balch, Tucker, et al.
Veröffentlicht: (2024)

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

MARGIN: Margin-Aware Regularized Geometry for Imbalanced Vulnerability Detection
von: Zhang, Yuteng, et al.
Veröffentlicht: (2026)

Your Privacy Depends on Others: Collusion Vulnerabilities in Individual Differential Privacy
von: Kaiser, Johannes, et al.
Veröffentlicht: (2026)

Generating Synthetic Health Sensor Data for Privacy-Preserving Wearable Stress Detection
von: Lange, Lucas, et al.
Veröffentlicht: (2024)

Diverse Community Data for Benchmarking Data Privacy Algorithms
von: Sen, Aniruddha, et al.
Veröffentlicht: (2023)

Reconstruction Attacks on Machine Unlearning: Simple Models are Vulnerable
von: Bertran, Martin, et al.
Veröffentlicht: (2024)

Data Privacy Preservation on the Internet of Things
von: Sen, Jaydip, et al.
Veröffentlicht: (2023)

Managing Correlations in Data and Privacy Demand
von: Chaudhuri, Syomantak, 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)

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

Vulnerability Detection in Smart Contracts: A Comprehensive Survey
von: De Baets, Christopher, et al.
Veröffentlicht: (2024)

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

Privacy Amplification Persists under Unlimited Synthetic Data Release
von: Pierquin, Clément, et al.
Veröffentlicht: (2026)

Synthetic Data Outliers: Navigating Identity Disclosure
von: Trindade, Carolina, et al.
Veröffentlicht: (2024)

Synthetic Tabular Data: Methods, Attacks and Defenses
von: Cormode, Graham, et al.
Veröffentlicht: (2025)

Robust Spectral Watermark for Synthetic Tabular Data
von: Zhao, Yizhou, et al.
Veröffentlicht: (2025)