A Consensus Privacy Metrics Framework for Synthetic Data
作者: Lisa Pilgram, Fida K. Dankar, Jorg Drechsler, Mark Elliot, Josep Domingo-Ferrer, Paul Francis, Murat Kantarcioglu, Linglong Kong, Bradley Malin, Krishnamurty Muralidhar, Puja Myles, Fabian Prasser, Jean Louis Raisaro, Chao Yan, Khaled El Emam
发布时间: 2025-03-10
来源: arxiv
研究方向: 合成数据隐私评估
主要内容
本文针对合成数据隐私评估问题，通过专家共识和文献分析，提出了一个评估合成数据隐私的框架。该框架主要关注成员披露和属性披露，并对现有的隐私度量方法进行了批判性分析。
主要贡献
1. 提出了一个基于专家共识的合成数据隐私评估框架。
2. 对现有的隐私度量方法进行了批判性分析，并指出了其局限性。
3. 提出了成员披露和属性披露的有效评估方法。
4. 对差分隐私在合成数据中的应用提出了建议。
研究方法
1. 专家共识方法：通过德尔菲法，组织专家对隐私度量方法进行评估和讨论。
2. 文献分析：对现有的隐私度量方法进行系统性的分析和比较。
3. 仿真实验：通过仿真实验，验证提出的评估方法的有效性。
实验结果
实验结果表明，提出的评估框架能够有效地评估合成数据的隐私风险，并对现有的隐私度量方法进行了有效的改进。
未来工作
未来工作将集中在以下几个方面：1. 研究更有效的隐私度量方法；2. 探索差分隐私在合成数据中的应用；3. 将评估框架应用于实际场景。