Buchumschlag

Synthesizing Realistic Test Data without Breaking Privacy

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Plein, Laura, Turcotte, Alexi, Hallemans, Arina, Zeller, Andreas
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

How many stations are sufficient? Exploring the effect of urban weather station density reduction on imputation accuracy of air temperature and humidity
von: Plein, Marvin, et al.
Veröffentlicht: (2025)

Good Enough to Learn: LLM-based Anomaly Detection in ECU Logs without Reliable Labels
von: Bogdan, Bogdan, et al.
Veröffentlicht: (2025)

Synthesizing Realistic Data for Table Recognition
von: Hou, Qiyu, et al.
Veröffentlicht: (2024)

Synthesizing Precise Protocol Specs from Natural Language for Effective Test Generation
von: Liu, Kuangxiangzi, et al.
Veröffentlicht: (2025)

High-Performance Generation of Constrained Inputs
von: Crump, Addison, et al.
Veröffentlicht: (2025)

How to Synthesize Text Data without Model Collapse?
von: Zhu, Xuekai, et al.
Veröffentlicht: (2024)

Breaking the Quality-Privacy Tradeoff in Tabular Data Generation via In-Context Learning
von: Han, Xinyan, et al.
Veröffentlicht: (2026)

Two-Stage Data Synthesization: A Statistics-Driven Restricted Trade-off between Privacy and Prediction
von: Liu, Xiaotong, et al.
Veröffentlicht: (2026)

On the Adversarial Risk of Test Time Adaptation: An Investigation into Realistic Test-Time Data Poisoning
von: Su, Yongyi, et al.
Veröffentlicht: (2024)

Training Fair Models in Federated Learning without Data Privacy Infringement
von: Che, Xin, et al.
Veröffentlicht: (2021)

Breaking the Communication-Privacy-Accuracy Tradeoff with $f$-Differential Privacy
von: Jin, Richeng, et al.
Veröffentlicht: (2023)

A Data-Based Architecture for Flight Test without Test Points
von: Harp, D. Isaiah, et al.
Veröffentlicht: (2025)

Bridging Privacy and Utility: Synthesizing anonymized EEG with constraining utility functions
von: Fuhrmeister, Kay, et al.
Veröffentlicht: (2025)

Breaking Privacy in Federated Clustering: Perfect Input Reconstruction via Temporal Correlations
von: Yang, Guang, et al.
Veröffentlicht: (2025)

Smooth Flow Matching for Synthesizing Functional Data
von: Tan, Jianbin, et al.
Veröffentlicht: (2025)

Learning Program Behavioral Models from Synthesized Input-Output Pairs
von: Mammadov, Tural, et al.
Veröffentlicht: (2024)

Calibrating Generative AI to Produce Realistic Essays for Data Augmentation
von: Wolfe, Edward W., et al.
Veröffentlicht: (2026)

Equivalence Testing Under Privacy Constraints
von: Pareek, Savita, et al.
Veröffentlicht: (2026)

How Realistic Is Your Synthetic Data? Constraining Deep Generative Models for Tabular Data
von: Stoian, Mihaela Cătălina, et al.
Veröffentlicht: (2024)

Unraveling Batch Normalization for Realistic Test-Time Adaptation
von: Su, Zixian, et al.
Veröffentlicht: (2023)

TabSCM: A practical Framework for Generating Realistic Tabular Data
von: Jacob, Sven, et al.
Veröffentlicht: (2026)

Privacy Blur: Quantifying Privacy and Utility for Image Data Release
von: Mahloujifar, Saeed, et al.
Veröffentlicht: (2025)

Fed-TGAN: Federated Learning Framework for Synthesizing Tabular Data
von: Zhao, Zilong, et al.
Veröffentlicht: (2021)

Multi-Variable Conformal Prediction: Optimizing Prediction Sets without Data Splitting
von: Lützow, Laura, et al.
Veröffentlicht: (2026)

Privacy Amplification by Missing Data
von: Roburin, Simon, et al.
Veröffentlicht: (2026)

OSNIP: Breaking the Privacy-Utility-Efficiency Trilemma in LLM Inference via Obfuscated Semantic Null Space
von: Cao, Zhiyuan, et al.
Veröffentlicht: (2026)

Automated Alert Classification and Triage (AACT): An Intelligent System for the Prioritisation of Cybersecurity Alerts
von: Turcotte, Melissa, et al.
Veröffentlicht: (2025)

Synthesizing Accurate and Realistic T1-weighted Contrast-Enhanced MR Images using Posterior-Mean Rectified Flow
von: Brandstötter, Bastian, et al.
Veröffentlicht: (2025)

Can We Predict Your Next Move Without Breaking Your Privacy?
von: Soni, Arpita, et al.
Veröffentlicht: (2025)

Towards Foundation Time Series Model: To Synthesize Or Not To Synthesize?
von: Kuvshinova, Kseniia, et al.
Veröffentlicht: (2024)

Generating Realistic Tabular Data with Large Language Models
von: Nguyen, Dang, et al.
Veröffentlicht: (2024)

PANORAMIA: Privacy Auditing of Machine Learning Models without Retraining
von: Kazmi, Mishaal, et al.
Veröffentlicht: (2024)

Convergent Privacy Loss of Noisy-SGD without Convexity and Smoothness
von: Chien, Eli, et al.
Veröffentlicht: (2024)

ReTabSyn: Realistic Tabular Data Synthesis via Reinforcement Learning
von: Lin, Xiaofeng, et al.
Veröffentlicht: (2026)

Table2Image: Interpretable Tabular Data Classification with Realistic Image Transformations
von: Lee, Seungeun, et al.
Veröffentlicht: (2024)

Uncertainty-Calibrated Test-Time Model Adaptation without Forgetting
von: Tan, Mingkui, et al.
Veröffentlicht: (2024)

Grokking in LLM Pretraining? Monitor Memorization-to-Generalization without Test
von: Li, Ziyue, et al.
Veröffentlicht: (2025)

Realistic Data Generation for 6D Pose Estimation of Surgical Instruments
von: Barragan, Juan Antonio, et al.
Veröffentlicht: (2024)

zGAN: An Outlier-focused Generative Adversarial Network For Realistic Synthetic Data Generation
von: Azimi, Azizjon, et al.
Veröffentlicht: (2024)

Refining Diffusion Models for Motion Synthesis with an Acceleration Loss to Generate Realistic IMU Data
von: Häusler, Lars Ole, et al.
Veröffentlicht: (2025)