Stipendiatstilling 1 NR (2020-2023)

Målet er å foreslå en ny metode for å generere syntetiske data, som gjør det mulig å trene en klassifiserings- eller regresjonsmodell like godt som med de virkelige dataene (nytte), men samtidig bevarer personvernet. Vi foreslår å bruke såkalte vine copulas med en spesifikk modellstruktur 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.

Kandidaten har bidratt til utvikling av metoder for å genere syntetiske data, som gjør det mulig å trene en klassifiserings- eller regresjonsmodell like godt som med de virkelige dataene (nytte), men samtidig bevarer personvernet.