结构化合成数据隐私指标的经验评估：新型实验框架
密码学与安全
2026-04-06 v2
摘要
合成数据生成正逐渐成为一种隐私增强技术 (PET)。当其正确生成时，合成数据可保留真实数据的分析效用，同时避免保留允许识别特定个体的信息。然而，数据隐私概念尚不明确，使得实践者难以评估和基准测试合成数据所提供的隐私保护程度。本文提出了一个框架来通过受控的、刻意的风险插入来经验评估表格合成数据隐私量化方法的有效性。为说明此框架，我们调查了现有方法，用于合成数据隐私量化以及相关法律理论。随后，我们将框架应用于主流的隐私量化方法（无盲威胁模型）并使用公开可用数据集进行测试。
引用
@article{arxiv.2512.16284,
title = {Empirical Evaluation of Structured Synthetic Data Privacy Metrics: Novel experimental framework},
author = {Milton Nicolás Plasencia Palacios and Alexander Boudewijn and Sebastiano Saccani and Andrea Filippo Ferraris and Diana Sofronieva and Giuseppe D'Acquisto and Filiberto Brozzetti and Daniele Panfilo and Luca Bortolussi},
journal= {arXiv preprint arXiv:2512.16284},
year = {2026}
}