Buchumschlag

Training Data Reconstruction: Privacy due to Uncertainty?

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Runkel, Christina, Gandikota, Kanchana Vaishnavi, Geiping, Jonas, Schönlieb, Carola-Bibiane, Moeller, Michael
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

Resilient Graph Neural Networks: A Coupled Dynamical Systems Approach
von: Eliasof, Moshe, et al.
Veröffentlicht: (2023)

Privacy Backdoors: Enhancing Membership Inference through Poisoning Pre-trained Models
von: Wen, Yuxin, et al.
Veröffentlicht: (2024)

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

Continuous Learned Primal Dual
von: Runkel, Christina, et al.
Veröffentlicht: (2024)

On the Query Complexity of Training Data Reconstruction in Private Learning
von: Mukherjee, Prateeti, et al.
Veröffentlicht: (2023)

Differentially Private Active Learning: Balancing Effective Data Selection and Privacy
von: Schwethelm, Kristian, et al.
Veröffentlicht: (2024)

Publishing Neural Networks in Drug Discovery Might Compromise Training Data Privacy
von: Krüger, Fabian P., et al.
Veröffentlicht: (2024)

From Mean to Extreme: Formal Differential Privacy Bounds on the Success of Real-World Data Reconstruction Attacks
von: Riess, Anneliese, et al.
Veröffentlicht: (2024)

Capability-Based Scaling Trends for LLM-Based Red-Teaming
von: Panfilov, Alexander, et al.
Veröffentlicht: (2025)

Coercing LLMs to do and reveal (almost) anything
von: Geiping, Jonas, et al.
Veröffentlicht: (2024)

A Watermark for Large Language Models
von: Kirchenbauer, John, et al.
Veröffentlicht: (2023)

Local Differential Privacy is Not Enough: A Sample Reconstruction Attack against Federated Learning with Local Differential Privacy
von: You, Zhichao, et al.
Veröffentlicht: (2025)

Provable Privacy Attacks on Trained Shallow Neural Networks
von: Smorodinsky, Guy, et al.
Veröffentlicht: (2024)

Privacy-Preserving 3-Layer Neural Network Training
von: Chiang, John
Veröffentlicht: (2023)

Investigating Privacy Leakage in Dimensionality Reduction Methods via Reconstruction Attack
von: Lumbut, Chayadon, et al.
Veröffentlicht: (2024)

Local Differential Privacy in Graph Neural Networks: a Reconstruction Approach
von: Bhaila, Karuna, et al.
Veröffentlicht: (2023)

An Examination of the Alleged Privacy Threats of Confidence-Ranked Reconstruction of Census Microdata
von: Sánchez, David, et al.
Veröffentlicht: (2023)

Smooth Model Compression without Fine-Tuning
von: Runkel, Christina, et al.
Veröffentlicht: (2025)

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

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)

SHFL: Secure Hierarchical Federated Learning Framework for Edge Networks
von: Tavallaie, Omid, et al.
Veröffentlicht: (2024)

Enhancing Feature-Specific Data Protection via Bayesian Coordinate Differential Privacy
von: Aliakbarpour, Maryam, et al.
Veröffentlicht: (2024)

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

Claudini: Autoresearch Discovers State-of-the-Art Adversarial Attack Algorithms for LLMs
von: Panfilov, Alexander, et al.
Veröffentlicht: (2026)

Adaptive Attacks on Trusted Monitors Subvert AI Control Protocols
von: Terekhov, Mikhail, et al.
Veröffentlicht: (2025)

Generated Data with Fake Privacy: Hidden Dangers of Fine-tuning Large Language Models on Generated Data
von: Akkus, Atilla, et al.
Veröffentlicht: (2024)

Label Privacy in Split Learning for Large Models with Parameter-Efficient Training
von: Zmushko, Philip, et al.
Veröffentlicht: (2024)

Privacy without Noisy Gradients: Slicing Mechanism for Generative Model Training
von: Greenewald, Kristjan, et al.
Veröffentlicht: (2024)

Bits for Privacy: Evaluating Post-Training Quantization via Membership Inference
von: Zhang, Chenxiang, et al.
Veröffentlicht: (2025)

Privacy-Preserving Logistic Regression Training with A Faster Gradient Variant
von: Chiang, John
Veröffentlicht: (2022)

Privacy Vulnerabilities in Marginals-based Synthetic Data
von: Golob, Steven, et al.
Veröffentlicht: (2024)

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

Taking off the Rose-Tinted Glasses: A Critical Look at Adversarial ML Through the Lens of Evasion Attacks
von: Eykholt, Kevin, et al.
Veröffentlicht: (2024)

An Interpretable N-gram Perplexity Threat Model for Large Language Model Jailbreaks
von: Boreiko, Valentyn, et al.
Veröffentlicht: (2024)

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

Private Estimation when Data and Privacy Demands are Correlated
von: Chaudhuri, Syomantak, et al.
Veröffentlicht: (2024)

Privacy Backdoors: Stealing Data with Corrupted Pretrained Models
von: Feng, Shanglun, et al.
Veröffentlicht: (2024)

Leveraging Randomness in Model and Data Partitioning for Privacy Amplification
von: Dong, Andy, et al.
Veröffentlicht: (2025)

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