Fin écriture synthétique

1 files changed, 37 insertions, 34 deletions

diff --git a/synthetic/results.tex b/synthetic/results.tex
index ec3149a..129b875 100644
--- a/synthetic/results.tex
+++ b/synthetic/results.tex
@@ -1,54 +1,57 @@
-In this section we analyse the impact of using synthetic data instead of real data on MIA and AIA.
-Section~\ref{sec:uti} presents the utility of the target. 
-This control factor allows us to assess that every model has learned some level of information and is not random guessing the label.
+Dans cette section nous allons analyser l'impacte de l'utilisation des données synthétiques sur la MIA et l'AIA.
+La Section~\ref{sec:synth-uti} présente l'utilisé du modèle cible.
+Ce facteur de contrôle nous permet de nous assurer que nous modèles apprennent de l'information sur la tâche principale et ne sont pas des CCA.
 
-
-\subsection{Utility}
-\label{sec:uti}
+\subsection{Utilité}
+\label{sec:synth-uti}
 
 \begin{figure}
     \centering
     \includegraphics[width=0.45\textwidth]{synthetic/figure/result/adult/utility.pdf}
-    \caption{Utility of the target model in terms of balanced accuracy evaluated on unseen data.
-    The "Real" label refers to a generator equal to identity, hence the synthetic data used to train the target model is the real data.
-    The "Synthetic" label refers to a CGAN generator, hence the synthetic data are sampled according to a distribution learned by the generator model. 
-    In this case the target model is not trained on real date.}
-    \label{fig:utility}
+    \caption{
+        Utilité du modèle cible en terme d'exactitude équilibrée sur des données non vue à l'entraînement.
+        Le terme \textit{Real} signifie que le générateur est l'identité, les données synthétiques utilisé pour entraîner le modèle cible sont donc les données réelles.
+        Le terme \textit{Synthetic} signifie que le générateur est un CGAN.
+        Dans ce cas le modèle cible n'est pas entraîné sur des données réelles.
+    }
+    \label{fig:synth-utility}
 \end{figure}
-Using synthetic dataset degrades the utility of the predictor.
-We present the balanced accuracy for both synthetic and real data in Figure~\ref{fig:utility}.
+Utiliser les données synthétiques dégrade l'utilité du prédicteur.
+Nous présentons l'exactitude équilibrée du modèle cible entraîner avec des données synthétiques et des données réelles dans la Figure~\ref{fig:synth-utility}.
 
-Using synthetic data degrades significatively the utility of the target model by 5\% with an anova p-value of $1.23\times 10^{-5}$.
-But with a minimum of 0.68 of balanced accuracy on synthetic data, we argue that the target model has learned a level of information that gives a meaningful result in terms of AIA and MIA.
+Utiliser les données synthétiques dégrade significativement l'utilité du modèle cible de cinq points avec une p-valeur de l'ANOVA à $1.23\times 10^{-5}$.
+Mais avec un minimum de 0,68 d'exactitude équilibré sur les données synthétiques, nous disons que le modèle cible a appris un niveau significatif d'information ce qui rend sensé l'étude de l'AIA et de la MIA.
 
-\subsection{Membership inference attack}
+\subsection{Attaque d'inférence d'appartenance aux données d'entraînement (MIA)}
 \begin{figure}
     \centering
     \includegraphics[width=0.45\textwidth]{synthetic/figure/result/adult/mia.pdf}
-    \caption{Success of the MIA in terms of balanced accuracy evaluated on the Train part of MIA dataset.}
+    \caption{
+        Succès de la MIA en terme d'exactitude équilibré évalué sur la partie \textit{Évaluation} de la base MIA.
+    }
 \end{figure}
-We observe a degradation of the balanced accuracy of the MIA of 30\% on average. 
-An anova p-value of $4.54\times 10^{-12}$ indicates the this difference is significative.
-In addition we observe that using synthetic data over real data results in drop of balanced accuracy from 0.86 to 0.55.
-We conclude that using synthetic data protects significantly the membership status of the majority of data records.
+Nous observons une dégradation de l'exactitude équilibré de la MIA de 30\% en moyenne.
+La p-valeur de l'ANOVA à $4.54\times 10^{-12}$ indique que cette différence est significative.
+L'exactitude équilibrée de la MIA passe de 0,86 à 0,55 en utilisant des données synthétiques ce qui indique que, dans ce cas, elles ont servi à protéger l'attribut sensible.
+Bien entendu, ce résultat ne concerne que cette méthodologie expérimentale et ne permet pas de conclure que de manière générale les données synthétique empêche la MIA.
 
-But this result does not mean that the membership status is protected.
-The remaining 5\% left is due to outliers in the dataset that can be identified by an attacker~\cite{carlini2022membershipinferenceattacksprinciples}.
+De plus, les 5\% d'inférence de la MIA restante peut être du à des point extrêmes qui peuvent être retrouvé par un adversaire~\cite{carlini2022membershipinferenceattacksprinciples}.
 
-\subsection{Attribute inference attack}
+\subsection{Attaque d'inférence d'attribut}
 \begin{figure}
     \centering
     \includegraphics[width=0.45\textwidth]{synthetic/figure/result/adult/aia.pdf}
-    \caption{Success of the AIA in terms of balanced accuracy evaluated on the Train part of AIA dataset.
-    The AIA dataset is made of points that have not been seen during training of the target model.
-    The target model does not use the sensitive attribute.}
-
-    \label{fig:aia}
+    \caption{
+        Exactitude équilibrée de l'AIA sur la partie \textit{Évaluation} de la base AIA.
+        La base AIA utilise des points qui n'ont pas été vue à l'entraînement du générateur.
+        Le modèle cible est entraîné sans utiliser l'attribut sensible.
+    }
+    \label{fig:synth-aia}
 \end{figure}
-Using synthetic dataset does not have an impact on the success of attribute inference attack.
-We present in Figure~\ref{fig:aia} a comparison of AIA between real and synthetic data.
+L'utilisation des données synthétiques n'a pas d'impacte sur le succès de l'AIA.
+Nous présentons à la Figure~\ref{fig:synth-aia} une comparaison des AIA entre modèle cible ayant utilisé des données synthétiques et modèle cible ayant utilise des données réelles.
 
-With an anova p-value of $8.65\times 10^{-1}$ we observe that whether we use synthetic or real data does not impact attribute privacy inference.
-In addition, with an attack balanced accuracy ranging from 0.52 to 0.54, we observe a slight but certain risk for attribute leakage.
-Hence, we conclude that using synthetic data does not protect users against AIA. 
+Avec une p-valeur de l'ANOVA de $8.65\times 10^{-1}$ nous observons qu'il n'y à pas de différence significative entre exactitude équilibrée de l'AIA pour donnée réelles et synthétiques.
+De plus l'exactitude équilibrée de l'AIA est entre 0,52 et 0,54, nous observons donc un risque mineur mais existant de fuite de l'attribut sensible.
+Notre conclusion est donc que l'utilisation de données synthétiques n'est pas suffisant pour mitiger la fuite d'attribut sensible.