本文研究了使用敏感数据集生成新的差分隐私数据集作为替代方法，通过使用预先训练好的生成式语言模型并在敏感数据上进行私有调优，然后利用该模型可以产生差分隐私合成数据集，同时展示了训练目标及少调参数可提高合成数据的质量并与直接使用差分隐私训练下游分类器性能竞争力几乎相同，还可用于调整同一模型等级的分类器。

Jun, 2023

我们的方法采用基于分区的方法来改善合成数据的质量和可用性，在限定的隐私预算下，我们的方法优于现有方法，因此是私人合成数据共享的首选。

Oct, 2023

提出了一种基于隐私保护的分阶段生成模型（P3GM），通过采用分阶段的学习过程，P3GM 可以更好地处理高维数据的隐私保护数据合成问题，并在数据挖掘中的合成数据任务中表现出更高的准确性。

Jun, 2020

本研究提出了一种基于判别信息的生成模型训练方法，通过优化一小部分样本的代表性，以实现高维数据的差分隐私保护，并有效提升了现有生成模型的样本效用。

Nov, 2022

该研究提出了一种差分隐私合成数据的通用方法，包括选择低维数据边缘集合，测量这些边缘数据并添加噪声机制，以及生成合成数据，保持测量的数据边缘的高准确性。

Aug, 2021

该研究提出一种快速、公平、灵活和私密的数据生成方法，通过理论和实验证明，使用该方法生成的数据训练的模型可以在真实应用场景中（推理阶段）表现良好。

Jun, 2023

该研究提出了一种名为 table-GAN 的方法，使用生成对抗网络（GANs）合成伪造表格，用于保证数据匿名性和模型兼容性。实验证明，该方法在隐私和模型兼容性之间取得平衡，同时解决了数据泄露问题。

Jun, 2018

本文旨在研究关于隐私合成数据生成的算法框架，提出了两种新的算法：私有熵投影（PEP）和具有指数机制的生成网络（GEM），这些算法表现出比现有算法更好的性能。

Jun, 2021

使用公共数据可以改善差分隐私机器学习中的隐私准确性权衡，本研究通过使用大规模公共数据改进生成对抗网络 (GANs) 中差分隐私图像生成的质量，并提供了一种有效利用公共数据的改进方法。我们方法的假设是公共数据分布的支持包含私人数据的支持；例如，公共数据来自通用的互联网规模的图像源，而私人数据由特定类型的图像组成。详细评估表明，我们的方法相对于使用公共数据的现有方法，在 FID 分数和其他指标上均达到了 SOTA 水平，并能以差分隐私方式生成高质量真实感的图像。

Aug, 2023

使用深度生成模型在不泄露敏感数据的情况下进行数据生成和训练。该方法通过独立的特征函数和对抗重新加权目标实现，并且在多个数据集上的实证评估表明，在合理的隐私级别下，我们的方法优于其他方法。

Jun, 2021