Buchumschlag

Is API Access to LLMs Useful for Generating Private Synthetic Tabular Data?

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Swanberg, Marika, McKenna, Ryan, Roth, Edo, Cheu, Albert, Kairouz, Peter
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Cryptography and Security
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Releasing Large-Scale Human Mobility Histograms with Differential Privacy
von: Bian, Christopher, et al.
Veröffentlicht: (2024)

ACTG-ARL: Differentially Private Conditional Text Generation with RL-Boosted Control
von: Hu, Yuzheng, et al.
Veröffentlicht: (2025)

Scaling up the Banded Matrix Factorization Mechanism for Differentially Private ML
von: McKenna, Ryan
Veröffentlicht: (2024)

MAPLE: Metadata Augmented Private Language Evolution
von: Chien, Eli, et al.
Veröffentlicht: (2026)

Differentially Private Multi-Sampling from Distributions
von: Cheu, Albert, et al.
Veröffentlicht: (2024)

Privately Fine-Tuned LLMs Preserve Temporal Dynamics in Tabular Data
von: Rosenblatt, Lucas, et al.
Veröffentlicht: (2026)

Benchmarking Differentially Private Tabular Data Synthesis
von: Chen, Kai, et al.
Veröffentlicht: (2025)

Back to Square Roots: An Optimal Bound on the Matrix Factorization Error for Multi-Epoch Differentially Private SGD
von: Kalinin, Nikita P., 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)

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

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

Privacy in Metalearning and Multitask Learning: Modeling and Separations
von: Aliakbarpour, Maryam, et al.
Veröffentlicht: (2024)

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

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

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

Correlated Noise Mechanisms for Differentially Private Learning
von: Pillutla, Krishna, et al.
Veröffentlicht: (2025)

Scaling Laws for Differentially Private Language Models
von: McKenna, Ryan, et al.
Veröffentlicht: (2025)

Mayfly: Private Aggregate Insights from Ephemeral Streams of On-Device User Data
von: Bian, Christopher, et al.
Veröffentlicht: (2024)

Confidential Federated Computations
von: Eichner, Hubert, et al.
Veröffentlicht: (2024)

Leveraging Vertical Public-Private Split for Improved Synthetic Data Generation
von: Maddock, Samuel, et al.
Veröffentlicht: (2025)

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

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

Improved Communication-Privacy Trade-offs in $L_2$ Mean Estimation under Streaming Differential Privacy
von: Chen, Wei-Ning, et al.
Veröffentlicht: (2024)

SpinML: Customized Synthetic Data Generation for Private Training of Specialized ML Models
von: Zhang, Jiang, et al.
Veröffentlicht: (2025)

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

Beyond One-Size-Fits-All: Neural Networks for Differentially Private Tabular Data Synthesis
von: Chen, Kai, et al.
Veröffentlicht: (2025)

DP-TLDM: Differentially Private Tabular Latent Diffusion Model
von: Zhu, Chaoyi, et al.
Veröffentlicht: (2024)

Randomization Techniques to Mitigate the Risk of Copyright Infringement
von: Chen, Wei-Ning, et al.
Veröffentlicht: (2024)

Watermarking Generative Tabular Data
von: He, Hengzhi, et al.
Veröffentlicht: (2024)

Power Mechanism: Private Tabular Representation Release for Model Agnostic Consumption
von: Vepakomma, Praneeth, et al.
Veröffentlicht: (2025)

Trusted Machine Learning Models Unlock Private Inference for Problems Currently Infeasible with Cryptography
von: Shumailov, Ilia, et al.
Veröffentlicht: (2025)

Contrastive Learning-Based privacy metrics in Tabular Synthetic Datasets
von: Palacios, Milton Nicolás Plasencia, et al.
Veröffentlicht: (2025)

Diffusion-Driven Synthetic Tabular Data Generation for Enhanced DoS/DDoS Attack Classification
von: B, Aravind, et al.
Veröffentlicht: (2026)

DP-TabICL: In-Context Learning with Differentially Private Tabular Data
von: Carey, Alycia N., et al.
Veröffentlicht: (2024)

Differentially Private Tabular Data Synthesis using Large Language Models
von: Tran, Toan V., et al.
Veröffentlicht: (2024)

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

Sharing is CAIRing: Characterizing Principles and Assessing Properties of Universal Privacy Evaluation for Synthetic Tabular Data
von: Hyrup, Tobias, et al.
Veröffentlicht: (2023)

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)

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

One-shot Empirical Privacy Estimation for Federated Learning
von: Andrew, Galen, et al.
Veröffentlicht: (2023)