差分隐私非参数 Copula：在隐私保证下使用非参数 Copula 生成合成数据

合成数据模型的创建代表了各个科学领域的重大进步，但这项技术也给用户带来了重要的隐私考量。本工作旨在通过增强傅里叶扰动方法引入差分隐私，增强基于非参数 Copula 的合成数据生成模型 DPNPC。该模型在保护隐私的同时为混合表格数据库生成合成数据。我们在三个公开数据集上比较了 DPNPC 与其他三个模型（PrivBayes、DP-Copula 和 DP-Histogram），评估了隐私、效用和执行时间。DPNPC 在建模多元依赖关系、在较小的 $\epsilon$ 值下保持隐私以及缩短训练时间方面优于其他模型。然而，其局限性包括需要评估模型在不同编码方法下的性能，并考虑额外的隐私攻击。未来的研究应解决这些领域的问题，以增强隐私保护的合成数据生成。