Fugu-MT 論文翻訳(概要): Privacy Measurement in Tabular Synthetic Data: State of the Art and Future Research Directions

論文の概要: Privacy Measurement in Tabular Synthetic Data: State of the Art and Future Research Directions

arxiv url: http://arxiv.org/abs/2311.17453v1
Date: Wed, 29 Nov 2023 08:51:40 GMT
ステータス: 処理完了
システム内更新日: 2023-11-30 22:06:00.913157
Title: Privacy Measurement in Tabular Synthetic Data: State of the Art and Future Research Directions
Title（参考訳）: タブラル合成データのプライバシー測定 : 現状と今後の研究動向
Authors: Alexander Boudewijn, Andrea Filippo Ferraris, Daniele Panfilo, Vanessa Cocca, Sabrina Zinutti, Karel De Schepper, Carlo Rossi Chauvenet
Abstract要約: 合成データ(SD)はプライバシー向上技術として注目されている。プライバシー保護の程度を定量化する基準はない。本稿では,提案手法の定量化について論じる。
参考スコア（独自算出の注目度）: 38.055464059679096
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Synthetic data (SD) have garnered attention as a privacy enhancing technology. Unfortunately, there is no standard for quantifying their degree of privacy protection. In this paper, we discuss proposed quantification approaches. This contributes to the development of SD privacy standards; stimulates multi-disciplinary discussion; and helps SD researchers make informed modeling and evaluation decisions.
Abstract（参考訳）: 合成データ(SD)はプライバシー向上技術として注目されている。残念ながら、プライバシー保護の程度を定量化する基準は存在しない。本稿では,提案する定量化手法について論じる。これはSDプライバシ標準の開発に寄与し、多分野の議論を刺激し、SD研究者がインフォームドモデリングと評価決定を行うのに役立つ。

関連論文リスト

Masked Differential Privacy [64.32494202656801]
本稿では,差分プライバシーを適用した機密領域を制御できる「マスク型差分プライバシー(DP)」という効果的なアプローチを提案する。提案手法はデータに基づいて選択的に動作し,DPアプリケーションや差分プライバシーをデータサンプル内の他のプライバシー技術と組み合わせることなく,非感性時間領域を定義できる。
論文参考訳（メタデータ） (2024-10-22T15:22:53Z)
Collection, usage and privacy of mobility data in the enterprise and public administrations [55.2480439325792]
個人のプライバシーを守るためには、匿名化などのセキュリティ対策が必要である。本研究では,現場における実践の洞察を得るために,専門家によるインタビューを行った。我々は、一般的には最先端の差分プライバシー基準に準拠しない、使用中のプライバシー強化手法を調査した。
論文参考訳（メタデータ） (2024-07-04T08:29:27Z)
A Summary of Privacy-Preserving Data Publishing in the Local Setting [0.6749750044497732]
統計開示制御は、機密情報を匿名化して暴露するリスクを最小限にすることを目的としている。マイクロデータの復号化に使用される現在のプライバシ保存技術について概説し、様々な開示シナリオに適したプライバシ対策を掘り下げ、情報損失と予測性能の指標を評価する。
論文参考訳（メタデータ） (2023-12-19T04:23:23Z)
PAC Privacy Preserving Diffusion Models [6.299952353968428]
拡散モデルは、高いプライバシーと視覚的品質の両方で画像を生成することができる。しかし、特定のデータ属性の民営化において堅牢な保護を確保するといった課題が発生する。 PACプライバシー保護拡散モデル(PAC Privacy Preserving Diffusion Model)を導入する。
論文参考訳（メタデータ） (2023-12-02T18:42:52Z)
Recent Advances of Differential Privacy in Centralized Deep Learning: A Systematic Survey [1.89915151018241]
微分プライバシーは、機械学習におけるデータ保護の一般的な方法となっている。このサーベイは、微分的にプライベートな集中型ディープラーニングの最先端技術の概要を提供する。
論文参考訳（メタデータ） (2023-09-28T12:44:59Z)
A Unified View of Differentially Private Deep Generative Modeling [60.72161965018005]
プライバシー上の懸念のあるデータには、データアクセスとデータ共有を頻繁に禁止する厳格な規制が伴う。これらの障害を克服することは、プライバシーに敏感なデータを含む多くの現実世界のアプリケーションシナリオにおいて、技術的進歩の鍵となる。差分的プライベート(DP)データパブリッシングは、データの衛生化された形式のみを公開する、魅力的なソリューションを提供する。
論文参考訳（メタデータ） (2023-09-27T14:38:16Z)
Advancing Differential Privacy: Where We Are Now and Future Directions for Real-World Deployment [100.1798289103163]
差分プライバシ(DP)分野における現状と現状の方法論の詳細なレビューを行う。論文のポイントとハイレベルな内容は,「認知プライバシ(DP:次のフロンティアへの挑戦)」の議論から生まれた。この記事では、プライバシの領域におけるアルゴリズムおよび設計決定の基準点を提供することを目標とし、重要な課題と潜在的研究の方向性を強調します。
論文参考訳（メタデータ） (2023-04-14T05:29:18Z)
Algorithms with More Granular Differential Privacy Guarantees [65.3684804101664]
我々は、属性ごとのプライバシー保証を定量化できる部分微分プライバシー(DP)について検討する。本研究では,複数の基本データ分析および学習タスクについて検討し,属性ごとのプライバシパラメータが個人全体のプライバシーパラメータよりも小さい設計アルゴリズムについて検討する。
論文参考訳（メタデータ） (2022-09-08T22:43:50Z)
The Evolving Path of "the Right to Be Left Alone" - When Privacy Meets Technology [0.0]
本稿では,プライバシエコシステムの新たなビジョンとして,プライバシの次元,関連するユーザの期待,プライバシ違反,変化要因を導入することを提案する。プライバシー問題に取り組むための有望なアプローチは, (i) 効果的なプライバシメトリクスの識別, (ii) プライバシに準拠したアプリケーションを設計するためのフォーマルなツールの採用という,2つの方向に移行している,と私たちは信じています。
論文参考訳（メタデータ） (2021-11-24T11:27:55Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。