Buchumschlag

Understanding the Impact of Data Domain Extraction on Synthetic Data Privacy

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Ganev, Georgi, Annamalai, Meenatchi Sundaram Muthu Selva, Mahiou, Sofiane, De Cristofaro, Emiliano
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Cryptography and Security Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

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)

The Elusive Pursuit of Reproducing PATE-GAN: Benchmarking, Auditing, Debugging
von: Ganev, Georgi, et al.
Veröffentlicht: (2024)

"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)

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

Nearly Tight Black-Box Auditing of Differentially Private Machine Learning
von: Annamalai, Meenatchi Sundaram Muthu Selva, et al.
Veröffentlicht: (2024)

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

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

The Inadequacy of Similarity-based Privacy Metrics: Privacy Attacks against "Truly Anonymous" Synthetic Datasets
von: Ganev, Georgi, et al.
Veröffentlicht: (2023)

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

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)

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

Beyond the Crawl: Unmasking Browser Fingerprinting in Real User Interactions
von: Annamalai, Meenatchi Sundaram Muthu Selva, et al.
Veröffentlicht: (2025)

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

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

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

A Unified Framework for Adversary-Aware Differential Privacy Bounds
von: Swanberg, Marika, 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)

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

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

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

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

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

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

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)

Privacy Amplification Through Synthetic Data: Insights from Linear Regression
von: Pierquin, Clément, et al.
Veröffentlicht: (2025)

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

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

Federated Learning for Cross-Domain Data Privacy: A Distributed Approach to Secure Collaboration
von: Zhang, Yiwei, et al.
Veröffentlicht: (2025)

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

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)

Towards Explainable Federated Learning: Understanding the Impact of Differential Privacy
von: Oliveira, Júlio, et al.
Veröffentlicht: (2026)

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

DMRL: Data- and Model-aware Reward Learning for Data Extraction
von: Wang, Zhiqiang, et al.
Veröffentlicht: (2025)

Managing Correlations in Data and Privacy Demand
von: Chaudhuri, Syomantak, et al.
Veröffentlicht: (2025)

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

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