Buchumschlag

Should I use Synthetic Data for That? An Analysis of the Suitability of Synthetic Data for Data Sharing and Augmentation

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Kulynych, Bogdan, Stadler, Theresa, Raisaro, Jean Louis, Troncoso, Carmela
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning Computers and Society
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Unifying Re-Identification, Attribute Inference, and Data Reconstruction Risks in Differential Privacy
von: Kulynych, Bogdan, et al.
Veröffentlicht: (2025)

Participatory Assessment of Large Language Model Applications in an Academic Medical Center
von: Carra, Giorgia, et al.
Veröffentlicht: (2024)

The Fundamental Limits of Least-Privilege Learning
von: Stadler, Theresa, et al.
Veröffentlicht: (2024)

The Synthetic Mirror -- Synthetic Data at the Age of Agentic AI
von: Momha, Marcelle
Veröffentlicht: (2025)

Opportunities and Challenges of Frontier Data Governance With Synthetic Data
von: Thakur, Madhavendra, et al.
Veröffentlicht: (2025)

Prediction without Preclusion: Recourse Verification with Reachable Sets
von: Kothari, Avni, et al.
Veröffentlicht: (2023)

Quality-Diversity Generative Sampling for Learning with Synthetic Data
von: Chang, Allen, et al.
Veröffentlicht: (2023)

Synthetic Data Augmentation for Enhancing Harmful Algal Bloom Detection with Machine Learning
von: Huang, Tianyi
Veröffentlicht: (2025)

Synthetic Data and the Shifting Ground of Truth
von: Offenhuber, Dietmar
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)

Evaluating Privacy-Utility Tradeoffs in Synthetic Smart Grid Data
von: Catarino, Andre, et al.
Veröffentlicht: (2025)

Synthetic Artifact Auditing: Tracing LLM-Generated Synthetic Data Usage in Downstream Applications
von: Wu, Yixin, et al.
Veröffentlicht: (2025)

Synthetic Data in AI: Challenges, Applications, and Ethical Implications
von: Hao, Shuang, et al.
Veröffentlicht: (2024)

DualAlign: Generating Clinically Grounded Synthetic Data
von: Li, Rumeng, et al.
Veröffentlicht: (2025)

Quantitative Auditing of AI Fairness with Differentially Private Synthetic Data
von: Yuan, Chih-Cheng Rex, et al.
Veröffentlicht: (2025)

Improving Equity in Health Modeling with GPT4-Turbo Generated Synthetic Data: A Comparative Study
von: Smolyak, Daniel, et al.
Veröffentlicht: (2024)

Critical Challenges and Guidelines in Evaluating Synthetic Tabular Data: A Systematic Review
von: Nafis, Nazia, et al.
Veröffentlicht: (2025)

SHAP Distance: An Explainability-Aware Metric for Evaluating the Semantic Fidelity of Synthetic Tabular Data
von: Yu, Ke, et al.
Veröffentlicht: (2025)

The Data Sharing Paradox of Synthetic Data in Healthcare
von: Achterberg, Jim, et al.
Veröffentlicht: (2025)

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

Large Language Models and Synthetic Data for Monitoring Dataset Mentions in Research Papers
von: Solatorio, Aivin V., et al.
Veröffentlicht: (2025)

Improving Socratic Question Generation using Data Augmentation and Preference Optimization
von: Kumar, Nischal Ashok, et al.
Veröffentlicht: (2024)

Second FRCSyn-onGoing: Winning Solutions and Post-Challenge Analysis to Improve Face Recognition with Synthetic Data
von: DeAndres-Tame, Ivan, et al.
Veröffentlicht: (2024)

Machine Learners Should Acknowledge the Legal Implications of Large Language Models as Personal Data
von: Nolte, Henrik, et al.
Veröffentlicht: (2025)

Second Edition FRCSyn Challenge at CVPR 2024: Face Recognition Challenge in the Era of Synthetic Data
von: DeAndres-Tame, Ivan, et al.
Veröffentlicht: (2024)

Achievable Fairness on Your Data With Utility Guarantees
von: Taufiq, Muhammad Faaiz, et al.
Veröffentlicht: (2024)

TAEGAN: Generating Synthetic Tabular Data For Data Augmentation
von: Li, Jiayu, et al.
Veröffentlicht: (2024)

Stable and Privacy-Preserving Synthetic Educational Data with Empirical Marginals: A Copula-Based Approach
von: Ramos, Gabriel Diaz, et al.
Veröffentlicht: (2026)

Data Acquisition for Improving Model Fairness using Reinforcement Learning
von: Hasan, Jahid, et al.
Veröffentlicht: (2024)

Optimizing Product Provenance Verification using Data Valuation Methods
von: Yousuf, Raquib Bin, et al.
Veröffentlicht: (2025)

Data Augmentation via Diffusion Model to Enhance AI Fairness
von: Blow, Christina Hastings, et al.
Veröffentlicht: (2024)

The Femininomenon of Inequality: A Data-Driven Analysis and Cluster Profiling in Indonesia
von: Muthmaina, J. S.
Veröffentlicht: (2024)

The Age of Synthetic Realities: Challenges and Opportunities
von: Cardenuto, João Phillipe, et al.
Veröffentlicht: (2023)

Natural Language-Based Synthetic Data Generation for Cluster Analysis
von: Zellinger, Michael J., et al.
Veröffentlicht: (2023)

Synthetic data: How could it be used for infectious disease research?
von: Fragkouli, Styliani-Christina, et al.
Veröffentlicht: (2024)

HandCraft: Dynamic Sign Generation for Synthetic Data Augmentation
von: Rios, Gaston Gustavo, et al.
Veröffentlicht: (2025)

Federated Knowledge Recycling: Privacy-Preserving Synthetic Data Sharing
von: Lomurno, Eugenio, et al.
Veröffentlicht: (2024)

Synthpop++: A Hybrid Framework for Generating A Country-scale Synthetic Population
von: Neekhra, Bhavesh, et al.
Veröffentlicht: (2023)

FairSHAP: Preprocessing for Fairness Through Attribution-Based Data Augmentation
von: Zhu, Lin, et al.
Veröffentlicht: (2025)

Optimal Transport for Fairness: Archival Data Repair using Small Research Data Sets
von: Langbridge, Abigail, et al.
Veröffentlicht: (2024)