合成数据生成的安全性评估及其反推隐私风险量化.docx

PAGE2

《合成数据生成的安全性评估及其反推隐私风险量化》市场调研报告

一、调研概述

1.1调研背景与目的

随着人工智能与大数据深度融合，高质量数据成为核心生产要素，但数据隐私保护与合规共享的矛盾日益尖锐。合成数据生成技术，特别是生成对抗网络和扩散模型，被广泛视为破解数据孤岛的关键手段。

然而，生成模型并非天然隐私安全。其生成的合成样本虽不直接包含真实个人标识，却可能通过模型记忆将训练集的特征、甚至完整个体编码进合成分布中。攻击者可利用成员推理攻击判定特定个体是否存在于训练集，或通过属性推断攻击恢复敏感属性，这对金融、医疗等领域构成实质威胁。

本调研旨在系统评估基于GAN与扩散模型生