Exploration de la génération de données synthétiques d'apprentissage profond pour partager des données sensibles liées à des services publics / par Benjamin Santos, Rafik Chemil et Julian Templeton. : CS11-522/2024-1-17F-PDF

« Les services publics ont des reseignements essentiels sur la consommation d'énergie et les caractéristiques des bâtiments, des renseignements que les organismes gouvernementaux peuvent utiliser pour améliorer leurs analyses correspondantes. Ces données, de nature confidentielle, sont toutefois associées aux enregistrements de clients. Les données sur les bâtiments et la consommation d'énergie peuvent être trop délicates pour être partagées. Souvent, les versions agrégées de ces données sont échangées en vertu de contrats très restrictifs, ce qui limite le nombre de statistiques qui peuvent en être extraites. Avec l'avancement des techniques génératives d'apprentissage automatique, Statistique Canada et Ressources naturelles Canada ont évalué s'il était possible d'utiliser ces modèles pour produire des versions synthétiques des données sur les services publics qui peuvent être échangées intégralement avec les organismes qui en font la demande » -- Résumé, page [2].

Lien permanent pour cette publication :
publications.gc.ca/pub?id=9.966540&sl=1

• Format MARC XML
• Format MARC HTML

Demander des formats alternatifs