了解合成数据中的隐私风险

这部分内容有帮助吗？

参考文献

The Algorithmic Foundations of Differential Privacy, Cynthia Dwork and Aaron Roth, 2014 (Now Publishers) DOI: 10.1561/0400000042 - 该书提供了差分隐私的理论基础，差分隐私是一种用于量化和限制数据分析与合成数据生成中隐私风险的数学框架。
Membership Inference Attacks Against Machine Learning Models, Reza Shokri, Marco Stronati, Congzheng Song, and Vitaly Shmatikov, 2017 2017 IEEE Symposium on Security and Privacy (SP) (IEEE) DOI: 10.1109/SP.2017.37 - 这篇论文开创性地介绍了成员推断攻击的概念和方法，这是针对使用敏感数据训练的模型（包括生成模型）的一个重要隐私风险。
PATE-GAN: Generating Private Data with PATE, Jihye Yoon, Jinsung Yoon, Mihaela van der Schaar, 2019 International Conference on Learning Representations (ICLR) (ICLR) DOI: 10.48550/arXiv.1811.02562 - 这篇论文提出了一种使用生成对抗网络（GANs）和PATE框架生成差分隐私合成数据的方法，直接解决了生成模型设计中的隐私问题。