paper.dinq.meAI 与前沿科学顶会 · 学术新星雷达
登录 DINQ
返回新星榜
SR

Sarah Rajtmajer

AAAI 2026ACL 2026KDD 2026安全可解释性数据与预训练智能体与工具评测与基准
新星分贡献者
53
一作贡献0
核心/参与19
方向广度16
合作网络6
0 一作 · 3 篇 · AAAI 2026 / ACL 2026 / KDD 2026

获取完整研究档案

首次获取该候选人的完整档案及 StartLux 评估共 20 积分;每位用户单独解锁,之后查看免费。主动刷新 20 积分。

联系方式

实时查找电子邮箱,费用不超过20积分;未找到邮箱不扣费。

2026 顶会论文

3
作者位次 #2/2ACL 2026Findings· Findings of ACL

Private Seeds, Public LLM s: Realistic and Privacy-Preserving Synthetic Data Generation

Qian Ma · Sarah Rajtmajer

摘要

Large language models (LLMs) have emerged as a powerful tool for synthetic data generation. A particularly important use case is producing synthetic replicas of private text, which requires carefully balancing privacy and utility. We propose Realistic and Privacy-Preserving Synthetic Data Generat...

安全可解释性数据与预训练OpenReview 项目页

常见合作者