Buchumschlag

Tight Auditing of Differential Privacy in MST and AIM

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Ganev, Georgi, Annamalai, Meenatchi Sundaram Muthu Selva, Kulynych, Bogdan
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Cryptography and Security Artificial Intelligence Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

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

Nearly Tight Black-Box Auditing of Differentially Private Machine Learning
von: Annamalai, Meenatchi Sundaram Muthu Selva, 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)

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

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

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 Hitchhiker's Guide to Efficient, End-to-End, and Tight DP Auditing
von: Annamalai, Meenatchi Sundaram Muthu Selva, et al.
Veröffentlicht: (2025)

To Shuffle or not to Shuffle: Auditing DP-SGD with Shuffling
von: Annamalai, Meenatchi Sundaram Muthu Selva, et al.
Veröffentlicht: (2024)

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

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

A Unified Framework for Adversary-Aware Differential Privacy Bounds
von: Swanberg, Marika, et al.
Veröffentlicht: (2025)

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

Synthetic Data, Similarity-based Privacy Metrics, and Regulatory (Non-)Compliance
von: Ganev, Georgi
Veröffentlicht: (2024)

Gaussian DP for Reporting Differential Privacy Guarantees in Machine Learning
von: Gomez, Juan Felipe, et al.
Veröffentlicht: (2025)

Attack-Aware Noise Calibration for Differential Privacy
von: Kulynych, Bogdan, et al.
Veröffentlicht: (2024)

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

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

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

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

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

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

Exploring the limits of strong membership inference attacks on large language models
von: Hayes, Jamie, et al.
Veröffentlicht: (2025)

Privacy Auditing of Large Language Models
von: Panda, Ashwinee, et al.
Veröffentlicht: (2025)

RAG with Differential Privacy
von: Grislain, Nicolas
Veröffentlicht: (2024)

Who's the Evil Twin? Differential Auditing for Undesired Behavior
von: Balappanawar, Ishwar, et al.
Veröffentlicht: (2025)

Auditable Homomorphic-based Decentralized Collaborative AI with Attribute-based Differential Privacy
von: Yeh, Lo-Yao, et al.
Veröffentlicht: (2024)

Your Privacy Depends on Others: Collusion Vulnerabilities in Individual Differential Privacy
von: Kaiser, Johannes, et al.
Veröffentlicht: (2026)

Privacy Auditing of Multi-domain Graph Pre-trained Model under Membership Inference Attacks
von: Luo, Jiayi, et al.
Veröffentlicht: (2025)

Mind the Gap: Mixtures of Gaussians in Approximate Differential Privacy
von: Liu, Huikang, et al.
Veröffentlicht: (2026)

DPrivBench: Benchmarking LLMs' Reasoning for Differential Privacy
von: Wang, Erchi, et al.
Veröffentlicht: (2026)

Near-Optimal Reinforcement Learning with Shuffle Differential Privacy
von: Bai, Shaojie, et al.
Veröffentlicht: (2024)

Differential Privacy Mechanisms in Neural Tangent Kernel Regression
von: Gu, Jiuxiang, et al.
Veröffentlicht: (2024)

SoK: Enhancing Cryptographic Collaborative Learning with Differential Privacy
von: Capano, Francesco, et al.
Veröffentlicht: (2026)

Differential Privacy-Driven Framework for Enhancing Heart Disease Prediction
von: Otoum, Yazan, et al.
Veröffentlicht: (2025)

Position: Challenges and Opportunities for Differential Privacy in the U.S. Federal Government
von: Khanna, Amol, et al.
Veröffentlicht: (2024)

Privacy-Preserving Federated Learning with Differentially Private Hyperdimensional Computing
von: Piran, Fardin Jalil, et al.
Veröffentlicht: (2024)

Federated Split Learning for Human Activity Recognition with Differential Privacy
von: Ndeko, Josue, et al.
Veröffentlicht: (2024)

Protect Your Score: Contact Tracing With Differential Privacy Guarantees
von: Romijnders, Rob, et al.
Veröffentlicht: (2023)

Cross-silo Federated Learning with Record-level Personalized Differential Privacy
von: Liu, Junxu, et al.
Veröffentlicht: (2024)

Can Differentially Private Fine-tuning LLMs Protect Against Privacy Attacks?
von: Du, Hao, et al.
Veröffentlicht: (2025)