Federated Diffusion Modeling with Differential Privacy for Tabular Data Synthesis
创建于 更新于
摘要
本文提出DP-FedTabDiff框架，将扩散模型、联邦学习及差分隐私结合，用于生成高保真且隐私合规的混合类型表格数据。实验基于四类真实金融及人口统计数据集，探讨本地更新次数、隐私预算及联邦策略对数据实用性和隐私保护的权衡，验证了模型在严格隐私约束下仍能实现较优合成数据质量，为隐私敏感领域安全数据共享提供新思路[page::0][page::1][page::4][page::5][page::6]。
