Målet er å foreslå en ny metode for å generere syntetisk data som ligner på de virkelige dataene (nytte), men samtidig bevarer personvernet. Vi foreslår å bruke såkalte vine copulas for å modellere de virkelige dataene, og deretter bruke trunkering av vine copula-konstruksjonen for å beskytte mot identifisering av sensitive egenskaper i de virkelige dataene. Vi jobber med data som er tabellbaserte, og dataene skal brukes til regresjon eller klassifisering.