เปรียบเทียบวิธี

	การสร้างข้อมูลสังเคราะห์เพื่อการควบคุมการเปิดเผย	ความเป็นส่วนตัวเชิงอนุพันธ์
สาขาวิชา	ความเป็นส่วนตัว	ความเป็นส่วนตัว
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	1993	2006
ผู้ริเริ่ม	Donald Rubin	Cynthia Dwork
ประเภท	Privacy-preserving data synthesis	Privacy-preserving randomized mechanism
แหล่งต้นตำรับ	Rubin, D. B. (1993). Statistical disclosure limitation. Journal of Official Statistics, 9(2), 461–468.	Dwork, C. (2006). Differential privacy. International Colloquium on Automata, Languages and Programming (ICALP), 1–12.
ชื่อเรียกอื่น	Fully Synthetic Data, Partial Synthetic Data, Statistical Data Synthesis, Sentetik Veri Üretimi	DP, epsilon-differential privacy, randomized privacy, Diferansiyel Gizlilik
ที่เกี่ยวข้อง	3	3
สรุป	Synthetic data generation is a statistical disclosure limitation technique introduced by Donald Rubin in 1993, in which values in a confidential dataset are replaced by draws from a fitted posterior predictive distribution rather than released directly. The resulting artificial records preserve the joint statistical structure of the original data while preventing the identification of real individuals, enabling analysts to work with a publicly releasable dataset that behaves like the original for most inferential purposes.	Differential privacy is a mathematical framework for releasing statistical information about a dataset while providing rigorous guarantees that individual records cannot be identified or inferred. Introduced by Cynthia Dwork in 2006, it formalizes privacy as a probabilistic bound: any single individual's presence or absence in the dataset changes the output distribution by at most a multiplicative factor of e^ε, where ε is the privacy budget controlling the privacy–utility tradeoff.