差分隐私非参数共轭体:在隐私保障下生成合成数据
发表于: 。本研究解决了合成数据生成中的隐私问题,提出了一种结合差分隐私的非参数共轭体模型DPNPC。此模型在生成混合表格数据库的合成数据时,不仅保持隐私,还在建模多变量依赖性和训练时间方面优于其他模型。研究结果显示,DPNPC在小$\epsilon$值的隐私保护下具有显著的实用性与效率。
本研究解决了合成数据生成中的隐私问题,提出了一种结合差分隐私的非参数共轭体模型DPNPC。此模型在生成混合表格数据库的合成数据时,不仅保持隐私,还在建模多变量依赖性和训练时间方面优于其他模型。研究结果显示,DPNPC在小$\epsilon$值的隐私保护下具有显著的实用性与效率。