Publication

Synthetic Data - Anonymisation Groundhog Day

Carmela González Troncoso, Theresa Stadler
2022
Conference Papers

Résumé

Synthetic data has been advertised as a silver-bullet solution to privacy-preserving data publishing that addresses the shortcomings of traditional anonymisation techniques. The promise is that synthetic data drawn from generative models preserves the statistical properties of the original dataset but, at the same time, provides perfect protection against privacy attacks. In this work, we present the first quantitative evaluation of the privacy gain of synthetic data publishing and compare it to that of previous anonymisation techniques.

Source officielle

https://infoscience.epfl.ch/entities/publication/3db693a0-13b5-4ac9-9540-bb4ab6cde90d

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Synthetic Data - Anonymisation Groundhog Day

Chattez avec Graph Search

Dark Noise Diffusion: Noise Synthesis for Low-Light Image Denoising

The Privacy Power of Correlated Noise in Decentralized Learning

A Privacy-Preserving Querying Mechanism with High Utility for Electric Vehicles