This study investigated the possibility of implementing three standards, Transistion Minimized Differential Signaling (TMDS) and two versions of Stub Series Terminated Logic (SSTL), for inter-chip communication in a specific manufacturing process. The two SSTL standards were implemented in one transceiver system while TMDS was implemented in a separate system. The evaluation was done with Spice simulations on schematic level with some parasitic capacitance and resistance. The idea was to investigate the possibility of implementing these standards and get an idea of eventual shortcomings. In order to create models as a basis for evaluation, simulation environments with models for circuit board and packages were created and transmitters and receivers were designed. During verification, variations in the process and different conditions as temperatureand voltages were considered. Some simplifications were made. All resistors have been assumed ideal and so have bias currents and bias voltages. Further more, parasitics from wires and other objects were missing due to the fact that the netlists came from electrical design and were not extracted from layout. The results showed that it is possible to implement SSTL in the desired semiconductor process. And so is the TMDS receiver. However some questions about the TMDS transmitter remain. Firstly, I see no theoretical possibility to get as short rise and fall time, with the specified load, as stated in the standard. Secondly, the opening in the eye diagram is large and has a good margin but when designing a TMDS transmitter one has to be careful in order to avoid overshoot. Apart from that, package and circuitboard has to be chosen so that they do not limit the system.

<p>This study investigated the possibility of implementing three standards, Transistion Minimized Differential Signaling (TMDS) and two versions of Stub Series Terminated Logic (SSTL), for inter-chip communication in a specific manufacturing process. The two SSTL standards were implemented in one transceiver system while TMDS was implemented in a separate system. The evaluation was done with Spice simulations on schematic level with some parasitic capacitance and resistance. The idea was to investigate the possibility of implementing these standards and get an idea of eventual shortcomings. In order to create models as a basis for evaluation, simulation environments with models for circuit board and packages were created and transmitters and receivers were designed. During verification, variations in the process and different conditions as temperatureand voltages were considered. Some simplifications were made. All resistors have been assumed ideal and so have bias currents and bias voltages. Further more, parasitics from wires and other objects were missing due to the fact that the netlists came from electrical design and were not extracted from layout. The results showed that it is possible to implement SSTL in the desired semiconductor process. And so is the TMDS receiver. However some questions about the TMDS transmitter remain. Firstly, I see no theoretical possibility to get as short rise and fall time, with the specified load, as stated in the standard. Secondly, the opening in the eye diagram is large and has a good margin but when designing a TMDS transmitter one has to be careful in order to avoid overshoot. Apart from that, package and circuitboard has to be chosen so that they do not limit the system.</p>

The purpose of this study was to investigate effects of long term imprisonment on inmates. Our prime interest have ben to identify if eventual effects are considered positive or negative or even a combination of the two. To answer these questions we conducted observations of convicts in a high security prison in Sweden. The collected data were followed by interviews with individuals who have spent considerable time behind bars. We discovered several different behavioral effects whilst conducting our study. Most of them indicated negatively by alienating and suppressing the individual&amp;#39;s development, distancing them further away from the community. Inmates tend to alter their behavior substantially when being locked up for longer periods of time in small places with other criminals. Hence their identities change to fit into the environment. Some individuals develop communicational skills to adapt and manage their lifestyle in prison. In general, incarcerated individuals develop special social skills that are crucially needed in prison environment but tend to be redundant in the social community. Key words - differential association, social bonds, communication, identity / Sammanfattning Vi genomförde denna studie i syfte att utreda vilka tänkbara effekter ett långt fängelsestraff skulle kunna ha på den enskilda individen. En aktuell fråga för oss har därför varit huruvida fängelsestraffet genererar positiva eller negativa effekter på den enskilde eller möjligen en kombination av båda. För att undersöka detta har vi genomfört intervjuer och en observation av intagna på en säkerhetsanstalt i Sverige. Vi lyckades utifrån vårt studiematerial identifiera främst negativa effekter vilka indikerade på att individen distanserar sig allt längre ifrån samhället. Klienterna uppvisade bland annat beteenden och identitetsförändringar som riktade sig bort ifrån det rådande samhällets normer. Detta förväntades bero på att de intagna anpassat sig till livet i fängelset och på så sätt ersatt sina sociala färdigheter till den aktuella miljön. Vissa klienter har utvecklat nya sätt att kommunicera på genom den interaktionen som skett med andra intagna. Den kommunikationen symboliserades främst av ett känslolöst och tufft språkbruk vilket krävs för att klara sig på anstalten. Slutsatsen som vi kunnat ta utifrån vår studie är att det förekommer negativa effekter av ett långt frihetsberövande. Däremot konstaterade vi att det behövs mer forskning inom området för att dra konkreta slutsatser. Nyckelord - differentiell association, sociala band, kommunikation, identitet

Uppsatsen analyserar Rudolf Anderbergs (1892-1955) skrifter med avseende på vetenskapsuppfattning, människosyn, syn på psykets natur samt vad gäller intellektuella och vetenskapliga traditioner han förhåller sig till. Anderbergs liv och verksamhet samt hans skrifter, förstås i relation till såväl ett vetenskapshistoriskt som ett vidare kulturellt sammanhang. Anderbergs vetenskapsuppfattning placeras i ett positivistiskt och naturvetenskapligt inriktat sammanhang och kopplas samman med positivismens betydande vetenskapliga och kulturella inflytande i hans samtid, liksom med moderniteten och den svenska välfärdsstatens utveckling. Hans skrifter ses som uttryck för i första hand psykofysik, differentiell psykologi, samt intelligensundersökningar. Hans människouppfattning uppfattas naturalistiskt. Tron på naturvetenskap och tekniks kulturella och vetenskapliga betydelse ses som karaktäristiskt för hans skrifter, liksom med betoningen på psykologins betydelse för att lösa konkreta problem i arbetslivet samt i samhället i stort. Anderbergs skrifter ses i ljuset av den sociala ingenjörskonsten, liksom dess mål, människouppfattning, vetenskapsuppfattning och metoder. Hans skrifter kopplas i någon mån ihop med Nikolas Rose och begrepp som ”biopolitik” och ”biomakt”. En diskussion förs slutligen där Anderbergs vetenskapsuppfattning och människosyn, liksom dess konkreta kulturella uttryck i hans samtid, kritiskt diskuteras. Slutligen betonas samspelet mellan vetenskap, politik, sociala frågor och ”biomakt” i Sverige under första hälften av 1900-talet, som möjlig utgångspunkt för vidare studier. Keywords: Rudolf Anderberg, Psykologi,

Privacy has never been more important to maintain in today’s information society. Companies and organizations collect large amounts of data about their users. This information is considered to be valuable due to its statistical usage that provide insight into certain areas such as medicine, economics, or behavioural patterns among individuals. A technique called differential privacy has been developed to ensure that the privacy of individuals are maintained. This enables the ability to create useful statistics while the privacy of the individual is maintained. However the disadvantage of differential privacy is the magnitude of the randomized noise applied to the data in order to hide the individual. This research examined whether it is possible to improve the usability of the privatized result by using machine learning to generate a data set that the noise can be based on. The purpose of the generated data set is to provide a local representation of the underlying data set that is safe to use when calculating the magnitude of the randomized noise. The results of this research has determined that this approach is currently not a feasible solution, but demonstrates possible ways to base further research in order to improve the usability of differential privacy. The research indicates limiting the noise to a lower bound calculated from the underlying data set might be enough to reach all privacy requirements. Furthermore, the accuracy of the machining learning algorithm and its impact on the usability of the noise, was not fully investigated and could be of interest in future studies. / Aldrig tidigare har integritet varit viktigare att upprätthålla än i dagens informationssamhälle, där företag och organisationer samlar stora mängder data om sina användare. Merparten av denna information är sedd som värdefull och kan användas för att skapa statistik som i sin tur kan ge insikt inom områden som medicin, ekonomi eller beteendemönster bland individer. För att säkerställa att en enskild individs integritet upprätthålls har en teknik som heter differential privacy utvecklats. Denna möjliggör framtagandet av användbar statistik samtidigt som individens integritet upprätthålls. Differential privacy har dock en nackdel, och det är storleken på det randomiserade bruset som används för att dölja individen i en fråga om data. Denna undersökning undersökte huruvida detta brus kunde förbättras genom att använda maskininlärning för att generera ett data set som bruset kunde baseras på. Tanken var att den genererade datasetet skulle kunna ge en lokal representation av det underliggande datasetet som skulle vara säker att använda vid beräkning av det randomiserade brusets storlek. Forskningen visar att detta tillvägagångssätt för närvarande inte stöds av resultaten. Storleken på det beräknade bruset var inte tillräckligt stort och resulterade därmed i en oacceptabel mängd läckt information. Forskningen visar emellertid att genom att begränsa bruset till en lägsta nivå som är beräknad från det lokala datasetet möjligtvis kan räcka för att uppfylla alla sekretesskrav. Ytterligare forskning behövs för att säkerställa att detta ger den nödvändiga nivån av integritet. Vidare undersöktes inte noggrannheten hos maskininlärningsalgoritmen och dess inverkan på brusets användbarhet vilket kan vara en inriktning för vidare studier.

The inherited rotation in a caster wheel allows movement in any direction, but pays at the expense of reaction torques. When implemented in a mobile robot, these forces have a negative impact in its performance. One approach is to restrict rotations on the spot by attaching a filter to the output of the motion planner. However, this formulation compromises the navigation’s completion in critical scenarios, such as parking, taking curves in narrow corridors or navigating at the presence of a high density of obstacles. Therefore, in this thesis we consider the influence of caster wheels in the motion planning stage, commonly presented as local planning. This work proposes a Model Predictive Control (MPC) based local planner that integrates the caster wheel physics into the motion planning stage. A caster wheel aware term is combined with a reference tracking based navigation, which leads to the formulation of the Caster Wheel Aware Local Planner (CWAWLP). Since this method requires knowing the caster wheel’s state and there is no sensor that provides this information, a caster wheel state observer is also formulated. In order to evaluate the impact of the caster wheel aware term, CWAWLP is compared to a Caster Wheel based Agnostic Local Planner (CWAGLP) and a Caster Wheel based Agnostic Planner Local Planner with Path Filter (CWPFLP). After running simulations for three case studies in a virtual framework, two experimental case studies are conducted in an intra-logistics robot. These are evaluated according to the navigation’s quality, motor torque usage and energy consumption. According to the patterns observed in the evaluation, CWAWLP covers a longer distance than CWAGLP wihout decreasing the navigation’s quality. At the same time, its motor torques are similar to the ones of CWPFLP. Therefore, CWAWLP is capable of considering caster wheel physics without sacrificing navigation capabilities. The formulated caster wheel aware term is compatible with any MPC based navigation algorithm and inherits the derivation of an observer capable of estimating caster wheel rotation angles and rolling speeds. Even if the caster wheel awareness has been implemented in a differential driven robot, this approach is also applicable to vehicles with an alternative drivetrain, such as car-like robots. / Den ärvda rotationen i ett hjul möjliggör rörelse i vilken riktning som helst, men fås på bekostnad av reaktionsmoment. När de implementeras i en mobil robot har dessa krafter en negativ inverkan på dess prestanda. Ett tillvägagångssätt är att begränsa rotationer på plats genom att applicera ett filter på rörelseplannerns utgång. Denna formulering komprometterar dock navigeringens slutförande i kritiska scenarier, såsom parkering, kurvor i smala korridorer eller navigering i närheten av höga hinder. Därför beaktar vi i denna avhandling påverkan av hjul på hjulplaneringen, som ofta presenteras som lokal planering. Detta arbete föreslår en Model Predictive Control (MPC) -baserad lokal planerare som integrerar svängbara länkhjuls fysik i rörelseplaneringsstadiet. En kugghjulmedveten term kombineras med en referensspårningsbaserad navigering, vilket leder till formuleringen av Caster Wheel Aware Local Planner (CWAWLP). Eftersom denna metod kräver kunskap om svängbara länkhjuls tillstånd och det inte finns någon sensor som ger denna information, formuleras också en hjulhjulstillståndsobservatör. För att utvärdera effekten av det medvetna begreppet svängbara änkhjul jämförs CWAWLP med en Caster Wheel-baserad Agnostic Local Planner (CWAGLP) och en Caster Wheel-baserad Agnostic Planner Local Planner with Path Filter (CWPFLP). Efter att ha kört simuleringar för tre fallstudier i ett virtuellt ramverk genomförs två experimentella fallstudier i en intra-logistikrobot. Dessa utvärderas enligt navigeringens kvalitet, vridmomentanvändning och energiförbrukning. Enligt de mönster som observerats i utvärderingen når CWAWLP ett längre avstånd än CWAGLP utan att sänka navigeringens kvalitet. Samtidigt liknar motorns vridmoment dem som CWPFLP. Därför kan CWAWLP ta hänsyn till svängbara länkhjuls fysik utan att offra navigationsfunktionerna. Den formulerade medhjulningsmedveten termen är kompatibel med vilken MPC-baserad navigationsalgoritm som helst och ärver härledningen av en observatör som kan uppskatta hjulets rotationsvinklar och rullningshastigheter. Även om hjulhjälpmedvetenheten har implementerats i en differentierad robot, är detta tillvägagångssätt också tillämpligt på fordon med ett alternativt drivsystem, såsom billiknande robotar.

Regression testing is just as important for the quality assurance of a system, as it is time consuming. Several techniques exist with the purpose of lowering the execution times of test suites and provide faster feedback to the developers, examples are ones based on transition-models or string-distances. These techniques are called test case selection (TCS) techniques, and focuses on selecting subsets of the test suite deemed relevant for the modifications made to the system under test. This thesis project focused on evaluating the use of a topic model, latent dirichlet allocation, as a means to create a diverse selection of test cases for coverage of certain test characteristics. The model was tested on authentic data sets from two different companies, where the results were compared against prior work where TCS was performed using similarity-based techniques. Also, the model was tuned and evaluated, using an algorithm based on differential evolution, to increase the model’s stability in terms of inferred topics and topic diversity. The results indicate that the use of the model for test case selection purposes was not as efficient as the other similarity-based selection techniques studied in work prior to thist hesis. In fact, the results show that the selection generated using the model performs similar, in terms of coverage, to a randomly selected subset of the test suite. Tuning of the model does not improve these results, in fact the tuned model performs worse than the other methods in most cases. However, the tuning process results in the model being more stable in terms of inferred latent topics and topic diversity. The performance of the model is believed to be strongly dependent on the characteristics of the underlying data used to train the model, putting emphasis on word frequencies and the overall sizes of the training documents, and implying that this would affect the words’ relevance scoring to the better.

Health monitoring devices, such as Fitbit, are gaining popularity both as wellness tools and as a source of information for healthcare decisions. Predicting such wellness goals accurately is critical for the users to make informed lifestyle choices. The core objective of this thesis is to design and implement such a system that takes energy consumption and privacy into account. This research is modelled as a time-series forecasting problem that makes use of Spiking Neural Networks (SNNs) due to their proven energy-saving capabilities. Thanks to their design that closely mimics natural neural networks (such as the brain), SNNs have the potential to significantly outperform classic Artificial Neural Networks in terms of energy consumption and robustness. In order to prove our hypotheses, a previous research by Sonia et al. [1] in the same domain and with the same dataset is used as our starting point, where a private forecasting system using Long short-term memory (LSTM) is designed and implemented. Their study also implements and evaluates a clustering federated learning approach, which fits well the highly distributed data. The results obtained in their research act as a baseline to compare our results in terms of accuracy, training time, model size and estimated energy consumed. Our experiments show that Spiking Neural Networks trades off accuracy (2.19x, 1.19x, 4.13x, 1.16x greater Root Mean Square Error (RMSE) for macronutrients, calories burned, resting heart rate, and active minutes respectively), to grant a smaller model (19% less parameters an 77% lighter in memory) and a 43% faster training. Our model is estimated to consume 3.36μJ per inference, which is much lighter than traditional Artificial Neural Networks (ANNs) [2]. The data recorded by health monitoring devices is vastly distributed in the real-world. Moreover, with such sensitive recorded information, there are many possible implications to consider. For these reasons, we apply the clustering federated learning implementation [1] to our use-case. However, it can be challenging to adopt such techniques since it can be difficult to learn from data sequences that are non-regular. We use a two-step streaming clustering approach to classify customers based on their eating and exercise habits. It has been shown that training different models for each group of users is useful, particularly in terms of training time; however this is strongly dependent on the cluster size. Our experiments conclude that there is a decrease in error and training time if the clusters contain enough data to train the models. Finally, this study addresses the issue of data privacy by using state of-the-art differential privacy. We apply e-differential privacy to both our baseline model (trained on the whole dataset) and our federated learning based approach. With a differential privacy of ∈= 0.1 our experiments report an increase in the measured average error (RMSE) of only 25%. Specifically, +23.13%, 25.71%, +29.87%, 21.57% for macronutrients (grams), calories burned (kCal), resting heart rate (beats per minute (bpm), and minutes (minutes) respectively. / Hälsoövervakningsenheter, som Fitbit, blir allt populärare både som friskvårdsverktyg och som informationskälla för vårdbeslut. Att förutsäga sådana välbefinnandemål korrekt är avgörande för att användarna ska kunna göra välgrundade livsstilsval. Kärnmålet med denna avhandling är att designa och implementera ett sådant system som tar hänsyn till energiförbrukning och integritet. Denna forskning är modellerad som ett tidsserieprognosproblem som använder sig av SNNs på grund av deras bevisade energibesparingsförmåga. Tack vare deras design som nära efterliknar naturliga neurala nätverk (som hjärnan) har SNNs potentialen att avsevärt överträffa klassiska artificiella neurala nätverk när det gäller energiförbrukning och robusthet. För att bevisa våra hypoteser har en tidigare forskning av Sonia et al. [1] i samma domän och med samma dataset används som utgångspunkt, där ett privat prognossystem som använder LSTM designas och implementeras. Deras studie implementerar och utvärderar också en klustringsstrategi för federerad inlärning, som passar väl in på den mycket distribuerade data. Resultaten som erhållits i deras forskning fungerar som en baslinje för att jämföra våra resultat vad gäller noggrannhet, träningstid, modellstorlek och uppskattad energiförbrukning. Våra experiment visar att Spiking Neural Networks byter ut precision (2,19x, 1,19x, 4,13x, 1,16x större RMSE för makronäringsämnen, förbrända kalorier, vilopuls respektive aktiva minuter), för att ge en mindre modell ( 19% mindre parametrar, 77% lättare i minnet) och 43% snabbare träning. Vår modell beräknas förbruka 3, 36μJ, vilket är mycket lättare än traditionella ANNs [2]. Data som registreras av hälsoövervakningsenheter är enormt spridda i den verkliga världen. Dessutom, med sådan känslig registrerad information finns det många möjliga konsekvenser att överväga. Av dessa skäl tillämpar vi klustringsimplementeringen för federerad inlärning [1] på vårt användningsfall. Det kan dock vara utmanande att använda sådana tekniker eftersom det kan vara svårt att lära sig av datasekvenser som är oregelbundna. Vi använder en tvåstegs streaming-klustringsmetod för att klassificera kunder baserat på deras mat- och träningsvanor. Det har visat sig att det är användbart att träna olika modeller för varje grupp av användare, särskilt när det gäller utbildningstid; detta är dock starkt beroende av klustrets storlek. Våra experiment drar slutsatsen att det finns en minskning av fel och träningstid om klustren innehåller tillräckligt med data för att träna modellerna. Slutligen tar denna studie upp frågan om datasekretess genom att använda den senaste differentiell integritet. Vi tillämpar e-differentiell integritet på både vår baslinjemodell (utbildad på hela datasetet) och vår federerade inlärningsbaserade metod. Med en differentiell integritet på ∈= 0.1 rapporterar våra experiment en ökning av det uppmätta medelfelet (RMSE) på endast 25%. Specifikt +23,13%, 25,71%, +29,87%, 21,57% för makronäringsämnen (gram), förbrända kalorier (kCal), vilopuls (bpm och minuter (minuter).

Förr i tiden, ångturbiner har främst använts för baskraft operation. Numera med den ökade utvecklingen av varierande förnyelsbara är samma ångturbiner motstå högre cykliska operativa system med mer frekvent uppstarter och snabbt föränderliga laster. Som sådan, förbättra den operativa flexibiliteten hos installerade och framtida utformad ångturbiner är en viktig aspekt för att övervägas av utrustning. Ångturbin uppstart är en intressant fas eftersom anses vara den mest intrikata av transienter. Under denna fas kan maskinen potentiellt utsättas för omåttlig termiska spänningar och axiella gnugga på grund av differentiell termisk expansion. Dessa två termiska fenomen antingen konsumera komponent livstid eller kan leda till maskinhaveri om inte kontrolleras noggrant. Som sådan, det finns en balans som skall beaktas mellan ökande turbin uppstart hastighet samtidigt som säker drift och livslängd bevarande av dessa maskiner. För att förbättra den transienta operationer av ångturbiner, blir det viktigt att undersöka deras termiska beteende under uppstarter. För att göra detta, är det viktigt att ha verktyg som kan förutäga den termiska responsen hos maskinen. I denna avhandling fungerar effekterna av olika aspekter och randvillkor om resultaten av ST3M, en KTH internt verktyg, undersöktes med syfte att förstå hur stor blev deras inverkan på sättet att fånga den termiska beteendet hos turbinen i termer av metalltemperatur och differentiell expansion. En industriell högtrycksturbinen validerades mot uppmätta data och genomförs på en känslighetsanalys; denna analys visade att den geometriska approximation införa fel i resultaten, att användningen av empiriska Nusselt korrelationer ge liknande resultat som den validerade modellen och att håligheten antaganden har en stor inverkan på utvecklingen av expansionsskillnaden. Slutligen har en strategi för att validera någon annan liknande turbin till en av studien fallet föreslås för att ge en vägledning för framtida arbeten i hur att validera en modell och vilka är de mest inflytelserika parametrar att ta hand om. / In the past, steam turbines were mostly used for base load operation. Nowadays, with the increased development of variable renewable technologies, these same steam turbines are withstanding higher cyclic operational regimes with more frequent start-ups and fast changing loads. As such, improving the operational flexibility of installed and future designed steam turbines is a key aspect to be considered by equipment manufacturers. Steam turbine start-up is a phase of particular interest since is considered to be the most intricate of transient operations. During this phase, the machine can potentially be subjected to excessive thermal stresses and axial rubbing due to differential thermal expansion. These two thermal phenomena either consume component lifetime or can lead to machine failure if not carefully controlled. As such, there is a balance to be considered between increasing turbine start-up speed while ensuring the safe operation and life preservation of these machines. In order to improve the transient operation of steam turbines, it becomes important to examine their thermal behavior during start-up operation. To do that, it is important to have tools able to predict the thermal response of the machine. In this thesis work the impact of different aspects and boundary conditions on the results of ST3M, a KTH in-house tool, were investigated with the aim of understanding how large was their impact on the way to capture the thermal behavior of the turbine in terms of metal temperature and differential expansion. A small industrial high pressure turbine was validated against measured data and implemented on a sensitivity study; this analysis showed that the geometrical approximation introduce errors in the results, that the use of empirical Nusselt correlations give similar results to the validated model and that the cavity assumptions have a large impact on the trend of the differential expansion. Lastly, a strategy to validate any other similar turbine to the one of the study case was proposed in order to give a guide to future works in how to validate a model and what are the most influent parameters to take care of.

This thesis investigates the effectiveness of Tabular Variational Auto Encoders (TVAEs) in generating high-quality synthetic tabular data and assesses their compliance with differential privacy principles. The study shows that while TVAEs are better than VAEs at generating synthetic data that faithfully reproduces the distribution of real data as measured by the Synthetic Data Vault (SDV) metrics, the latter does not guarantee that the synthetic data is up to the task in practical industrial applications. In particular, models trained on TVAE-generated data from the Creditcards dataset are ineffective. The author also explores various optimisation methods on TVAE, such as Gumbel Max Trick, Drop Out (DO) and Batch Normalization, while pointing out that techniques frequently used to improve two-dimensional TVAE, such as Kullback–Leibler Warm-Up and B Disentanglement, are not directly transferable to the one-dimensional context. However, differential privacy to TVAE was not implemented due to time constraints and inconclusive results. The study nevertheless highlights the benefits of stabilising training with the Differential Privacy - Stochastic Gradient Descent (DP-SGD), as with a dropout, and the existence of an optimal equilibrium point between the constraints of differential privacy and the number of training epochs in the model. / Denna avhandling undersöker hur effektiva Tabular Variational AutoEncoders (TVAE) är när det gäller att generera högkvalitativa syntetiska tabelldata och utvärderar deras överensstämmelse med differentierade integritetsprinciper. Studien visar att även om TVAE är bättre än VAE på att generera syntetiska data som troget återger fördelningen av verkliga data mätt med Synthetic Data Vault (SDV), garanterar det senare inte att de syntetiska data är upp till uppgiften i praktiska industriella tillämpningar. I synnerhet är modeller som tränats på TVAE-genererade data från Creditcards-datasetet ineffektiva. Författaren undersöker också olika optimeringsmetoder för TVAE, såsom Gumbel Max Trick, DO och Batch Normalization, samtidigt som han påpekar att tekniker som ofta används för att förbättra tvådimensionell TVAE, såsom Kullback-Leibler Warm-Up och B Disentanglement, inte är direkt överförbara till det endimensionella sammanhanget. På grund av tidsbegränsningar och redan ofullständiga resultat implementerades dock inte differentierad integritet för TVAE. Studien belyser ändå fördelarna med att stabilisera träningen med Differential Privacy - Stochastic Gradient Descent (DP-SGD), som med en drop-out, och förekomsten av en optimal jämviktspunkt mellan begränsningarna för differential privacy och antalet träningsepoker i modellen.