本文介绍了DECAF，一种基于GAN的公平合成数据生成器，旨在去除表格数据中的偏差并生成高质量的合成数据。研究还探讨了提升公平性和性能的方法，包括预处理算法、转移学习和后处理技术，以确保生成数据的公平性和隐私保护。

本文介绍了FairGAN和DECAF等公平性生成对抗网络，旨在生成无偏见且实用的数据。研究表明，通过控制训练过程中的偏差样本和使用转移学习，可以有效提高合成数据的公平性和质量。此外，FADM框架利用扩散模型生成公平数据，提升了下游任务的准确性和公平性。

Data Distribution Decompose Attack (Decaf) is an innovative privacy threat in Federated Learning, enabling a server to profile user data distribution, accurately identify missing/null classes, and...