dpmm：用于合成表格数据生成的差分隐私边缘模型库
密码学与安全
2025-06-03 v1 人工智能
机器学习
摘要
我们提出了 dpmm，一个具有差分隐私（Differentially Private, DP）保证的合成数据生成开源库。它包含三种流行的边缘模型——PrivBayes、MST 和 AIM——与替代实现相比，它们实现了更高的效用并提供了更丰富的功能。此外，我们采用最佳实践以提供端到端的 DP 保证，并解决已知的 DP 相关漏洞。我们的目标是面向广大的受众群体，提供易于安装、高度可定制且鲁棒的模型实现。我们的代码库可从 https://github.com/sassoftware/dpmm 获取。
引用
@article{arxiv.2506.00322,
title = {dpmm: Differentially Private Marginal Models, a Library for Synthetic Tabular Data Generation},
author = {Sofiane Mahiou and Amir Dizche and Reza Nazari and Xinmin Wu and Ralph Abbey and Jorge Silva and Georgi Ganev},
journal= {arXiv preprint arXiv:2506.00322},
year = {2025}
}
备注
Accepted to the Theory and Practice of Differential Privacy Workshop (TPDP 2025)