1 files changed, 7 insertions, 7 deletions
diff --git a/synthetic/related.tex b/synthetic/related.tex
index e93edd3..47d095f 100644
--- a/synthetic/related.tex
+++ b/synthetic/related.tex
@@ -1,11 +1,11 @@
 La littérature sur la confidentialité des données synthétiques se concentre sur un problème connexe.
-Des nous étude, les données synthétique ne sont pas publiques, elle sont utilisé comme intermédiaire entre les données réelles et le modèle cible.
-Au contraire, dans la littérature le données synthétique ont vocation à être distribué à des tiers.
+De nos études, les données synthétique ne sont pas publiques, elle sont utilisées comme intermédiaires entre les données réelles et le modèle cible.
+Au contraire, dans la littérature, les données synthétiques ont vocation à être distribuées à des tiers.
 Le but de cela peut être de contourner la législation sur les données personnelles~\cite{bellovin2019privacy}.
-Des travaux précédent ont montrés que divulguer des données synthétiques au lieu des données réelles ne protège ni contre les attaque de ré-identification ni contre les attaques liant les données synthétiques aux données réelles\footnote{\textit{linkage}}~\cite{stadler2020synthetic}.
+Des travaux précédents ont montré que divulguer des données synthétiques au lieu de données réelles ne protège ni contre les attaques de ré-identification, ni contre les attaques liant les données synthétiques aux données réelles\footnote{\textit{linkage}}~\cite{stadler2020synthetic}.
 
 
-Bellocin et al.~\cite{bellovin2019privacy} étudient l'aspect légale du partage de données synthétiques crées à partir de données réelles.
-Ils viennent à la conclusion qu'un tribunal n'autorisera pas ce partage à cause des nombreux case et des nombreuses recherches qui prouvent qu'il est possible d'apprendre des informations sur les données réelles à partir des données synthétiques.
-Ils supposent aussi que l'utilisation de confidentialité différentielle peut rendre légale le partage mais en l'absence de jurisprudence rien n'est certain.
-Dans cette optique, des travaux comme ceux de Ping et al.~\cite{ping2017datasynthesizer} cherche à impose la confidentialité différentielle lors de la création de données synthétiques.
+Bellocin et al.~\cite{bellovin2019privacy} étudient l'aspect légal du partage de données synthétiques créées à partir de données réelles.
+Ils viennent à la conclusion qu'un tribunal n'autorisera pas ce partage à cause des nombreux cas et des nombreuses recherches qui prouvent qu'il est possible d'apprendre des informations sur les données réelles à partir des données synthétiques.
+Ils supposent aussi que l'utilisation de confidentialité différentielle peut rendre légale le partage, mais en l'absence de jurisprudence, rien n'est certain.
+Dans cette optique, des travaux comme ceux de Ping et al.~\cite{ping2017datasynthesizer} cherchent à imposer la confidentialité différentielle lors de la création de données synthétiques.