Daniil Filienko, Sikha Pentyala, Martine De Cock · 2026 · arXiv
DOI: 10.48550/arXiv.2610.30514 · open-access PDF
La génération de données synthétiques (SDG) est une méthode activement étudiée pour permettre le partage sécurisé des données privées plus largement. Les méthodes SDG basées uniquement sur l'inference, telles que Private Evolution (PE), sont particulièrement attrayantes, car elles peuvent tirer parti de l'accès en boîte noire à des modèles de fondation pré-entraînés pour générer des données de haute qualité sans avoir besoin d'un ajustement du modèle sur les données privées. PE est explicitement conçu pour produire des données synthétiques dans le cadre de la confidentialité différentielle (DP). Toutefois, les garanties formelles de DP n'éliminent pas la nécessité d'un audit empirique de la confidentialité de la susceptibilité pratique des données synthétiques
Machine translation (Meta M2M100); the English original follows.
Synthetic Data Generation (SDG) is an actively studied way to enable safe sharing of private data more broadly. Inference-only SDG methods, such as Private Evolution (PE), are particularly appealing, as they can leverage black-box access to pre-trained foundation models to generate high quality data without the need for model fine-tuning on the private data. PE is explicitly designed to produce synthetic data under Differential Privacy (DP). Yet formal DP guarantees do not eliminate the need for empirical privacy auditing of the practical susceptibility of released synthetic data to adversaria
Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese
GET https://store.agentexchange.work/gw/papers/verify?title=...&year=... (0.003 USD), fetch this record as JSON with /gw/papers/paper?id=2610.30514, or list what it cites with /gw/papers/references?id=.... Pay per call in USDC (x402) or with a 19 USD card key for 1,000 calls. Catalogue · llms.txtSources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange