Mar, 2024

六级隐私：金融合成数据的框架

PDF
TL;DR合成数据在金融应用中日益重要，除了提供改进的金融建模和更好的测试程序之外，它也带来了隐私风险。本文引入了一个 “级别” 隐私层次结构，用于分类合成数据生成方法和它们提供的逐步改进的保护措施，以评估隐私保护的程度。同时，我们介绍了金融合成数据的概述、使用方式、价值评估、隐私风险和隐私攻击，并详细介绍了 “六个级别” 的防御措施。
发现论文，激发创造
  • 金融中的合成数据应用

    合成数据在金融领域取得了巨大的进展，可以应用于各种数据模式，解决隐私、公平性和可解释性等问题。

    Dec, 2023

  • 使用合成数据训练 AI 模型：可持续发展的机遇与风险

    研究了合成数据的政策，包括创建、利用和传播。必须在保护隐私和数据的可用性之间找到平衡，并制定标准化准则来应对合成数据的挑战。

    Aug, 2023

  • 什么是合成数据？好的，坏的和丑陋的

    介绍了合成数据的定义、用途、隐私挑战和限制，探讨了其作为隐私增强技术的潜力。

    Mar, 2023

  • 隐私保护的可扩展性：学习分析中全面综合的合成表格数据生成与评估

    我们提出了一种综合评估合成数据的方法，该方法包括合成数据质量的三个维度：相似性、实用性和隐私性。通过将这种评估应用于三个不同的学习分析数据集以及三种不同的合成数据生成方法，我们的结果表明合成数据可以在保护隐私的同时保持与真实数据相似的实用性。此外，针对不同学习分析场景中不同的隐私和数据实用性需求，我们提出了定制的合成数据生成建议。该论文不仅提供了合成数据的综合评估，还说明了在学习分析领域中缓解隐私问题的潜力，从而促进了合成数据在学习分析中的更广泛应用，推动了开放科学的良好实践。

    Jan, 2024

  • 一个基于距离的原创全合成数据生成方法的统计属性和隐私保证

    通过开发多步骤的合成数据生成框架并评估其风险效用模型，成功评估了使用该框架生成的数据的质量，展示了开放 - CESP 倡议的技术和概念的可行性。

    Oct, 2023

  • 合成数据 -- 什么、为什么和如何？

    本文介绍了合成数据技术及其隐私保护方面的现状，以及相关工具的使用，强调了其细微处理中容易被忽略的方面。

    May, 2022

  • 在受监管行业中实现合成数据采纳

    本文介绍了数据中心化思维的重要性和隐私问题、提出了基于合成数据的解决方案，并开发了一种全面的测试方法（DAISYnt），以检验这种方法在高度监管的领域中的可行性和质量，例如金融和医疗保健。

    Apr, 2022

  • 合成数据 -- 匿名化之地普通日

    评估了现有生成模型绘制的合成数据的隐私保护优势，发现与传统的匿名化技术相比，其提供的隐私保护水平无法预测且数据效用低下，并不存在更好的隐私保护与数据效用均衡的解决方案。

    Nov, 2020

  • 超越隐私：合成数据的机遇与挑战

    本文探讨生成模型产生的合成数据可能成为机器学习领域的主导力量，可以创造更公平的数据、进行数据增强和模拟，尤其是在 ChatGPT 生成的文本方面。然而，在使用合成数据时，社区需要克服许多基本的挑战，其中最重要的是量化我们能够信任的查找或预测的程度。

    Apr, 2023

  • 合成医疗数据的真实性和隐私

    该论文探讨了使用合成数据作为医学创新的一种替代方法来保护患者隐私的可行性，提出了一个新的框架来量化合成数据的统计保真度和隐私保护性能，并利用 Syntegra 技术生成的合成数据来证明这些指标。

    Jan, 2021