SYNRARE: Synthetic Rare Disease EHR Generation for ML Benchmarking
University of Southern Denmark(南丹麦大学)
针对罕见病诊断因症状相似易延迟且机器学习算法应用受法律隐私限制的问题,提出基于Synthea框架的图形用户界面SYNRARE,可生成与常见疾病患者有可定义差异的合成电子健康记录,用于机器学习算法基准测试。
2026-07-13 cs.LG
Improved Data Generation for Enhanced Asset Allocation: A Synthetic Dataset Approach for the Fixed Income Universe
City, University of London(伦敦城市大学);University of Warwick(华威大学)
本文提出一种生成合成数据集的新流程,通过增强CorrGAN模型生成相关矩阵并结合Encoder-Decoder模型进行条件采样,以评估固定投资领域的资产配置方法并改进投资组合构建。
2023-11-27 cs.LG q-fin.ST
MedSyn: LLM-based Synthetic Medical Text Generation Framework
MIL Team(MIL团队);Sber AI Lab(Sber人工智能实验室)
MedSyn框架结合大语言模型与医学知识图谱生成合成临床记录,在ICD代码预测中最高提升17.8%准确率,并发布超4.1万样本的俄语开源数据集。
2024-08-04 cs.CL cs.LG
Benchmarking Synthetic Tabular Data: A Multi-Dimensional Evaluation Framework
MOSTLY AI
提出一个多维评估框架,通过基于留出集的基准测试策略,结合分布比较、嵌入相似性和最近邻度量,量化合成表格数据的分布保真度与隐私保护,支持可解释质量诊断与可重复性。
2025-04-02 cs.AI cs.LG
Efficacy of Synthetic Data as a Benchmark
Diabolocom;University of Mons(蒙斯大学)
该研究探究LLM生成的合成数据作为NLP任务基准的有效性,发现其效果随任务复杂度变化,还提出偏差因子指标并发现小模型对自生成数据存在偏差,建议从业者尽量用多模型大模型生成的数据。
2024-09-18 cs.CL cs.LG
Synthetic Data Generation for Economists
Stanford Institute for Computational & Mathematical Engineering(斯坦福计算与数学工程研究所);Google(谷歌)
随着越来越多的科技公司从事严格的经济分析,我们面临着一个数据问题:由于使用敏感、专有或私人数据,内部文件无法复制。读者只能假设模糊的真实数据(例如,谷歌内部信息)确实产生了给定的结果,或者他们必须寻找可比较的面向公众的数据(例如,Google Trends)也会产生类似的结果。改善这种可重复性问题的一种方法是让研究人员根据他们的真实数据发布合成数据集;这允许外部各方复制内部研究人员的方法。在这篇简短的概述中,我们探讨了用于经济分析的高层次合成数据生成。
2020-11-06 cs.LG econ.GN q-fin.EC
Afro-MNIST: Synthetic generation of MNIST-style datasets for low-resource languages
Stanford University(斯坦福大学);UnifyID Inc.(UnifyID公司);Department of Computer Science(计算机科学系);Department of Linguistics(语言学系)
我们提出了Afro-MNIST,一组合成MNIST风格的数据集,用于亚非和刚果-刚果语言中使用的四种正字法:Ge 'ez(阿拉伯语),Vai,Osmanya和N' Ko。这些数据集作为MNIST的“直接”替代品。我们还描述并开源了一种从每个数字的单个示例生成合成MNIST风格数据集的方法。这些数据集可以在https://github.com/Daniel-Wu/AfroMNIST上找到。我们希望MNIST风格的数据集将被开发用于其他数字系统,并且这些数据集将在研究界代表性不足的国家振兴机器学习教育。
2020-09-28 cs.CV cs.LG
Delving into High-Quality Synthetic Face Occlusion Segmentation Datasets
Nanyang Technological University(南洋理工大学)
本文对遮挡感知人脸分割的数据集进行了全面的分析,这是一项对许多下游应用至关重要的任务。这些数据集的收集和注释是耗时和劳动密集型的。虽然在合成数据生成方面已经做出了一些努力,但数据的自然方面仍然较少探索。在我们的研究中,我们提出了两种遮挡生成技术,自然遮挡生成(NatOcc),用于生成高质量的自然合成遮挡面;和随机遮挡生成(RandOcc),一种更通用的合成遮挡数据生成方法。我们经验表明,这两种方法的有效性和鲁棒性,即使是看不见的遮挡。为了便于模型评估,我们提出了两个高分辨率的真实世界的遮挡人脸数据集与细粒度的注释,RealOcc和RealOcc-Wild,具有仔细的对齐预处理和在野外设置的鲁棒性测试。我们进一步对新引入的细分基准进行全面分析,为未来探索提供见解。
2022-05-12 cs.CV cs.LG
CausalProfiler: Generating Synthetic Benchmarks for Rigorous and Transparent Evaluation of Causal Machine Learning
Department of Computer Science, University of Bath, UK(英国巴斯大学计算机科学系);Ekimetrics, Paris, France(法国巴黎Ekimetrics公司);TAU, LISN, Inria Saclay, France(法国萨克雷Inria研究所);INSA Rouen Normandie, Normandie University, LITIS, Rouen, France(法国鲁昂Normandie大学)
CausalProfiler是一种生成合成因果基准的工具,用于严格和透明评估因果机器学习方法,通过随机采样不同条件下的因果模型、数据和查询,提供覆盖保证和透明假设。
2026-08-20 cs.AI cs.LG
Privacy-Preserving Synthetic Review Generation with Diverse Writing Styles Using LLMs
Department of Computer Science and Engineering(计算机科学与工程系);Santa Clara University(圣克拉拉大学);eBay(eBay公司)
针对LLM合成评论文本的多样性与隐私风险,本文建立多维评估指标,揭示现有模型局限,并提出基于提示的方法以增强风格多样性并保护隐私。
2025-07-24 cs.CL cs.CR cs.LG
Synthetic Dataset Generation for Adversarial Machine Learning Research
Intel Corporation(英特尔公司);The MITRE Corporation(米特雷公司)
现有的对抗性示例研究集中在现有自然图像数据集之上的数字插入扰动。这种对抗性示例的构建是不现实的,因为由于感知和环境影响,攻击者可能很难甚至不可能在现实世界中部署这种攻击。为了更好地理解对抗网络物理系统的例子,我们建议通过模拟来近似真实世界。在本文中,我们描述了我们的合成数据集生成工具,该工具可以通过现实的对抗性示例来可扩展地收集这样的合成数据集。我们使用CARLA模拟器来收集这样的数据集,并演示模拟攻击,这些攻击经历与真实图像相同的环境变换和处理。我们的工具已被用于收集数据集,以帮助评估对抗性示例的有效性,可以在https://github.com/carla-simulator/carla/pull/4992上找到。
2022-07-21 cs.AI cs.CV cs.LG
ImageNet-D: Benchmarking Neural Network Robustness on Diffusion Synthetic Object
KAIST(韩国科学技术院);University of Michigan(密歇根大学);McGill University(麦吉尔大学);MILA(蒙特利尔学习算法研究所)
本文提出利用扩散模型生成多样化图像构建新基准 ImageNet-D,用于测试视觉感知模型鲁棒性,实验显示该基准使从 ResNet 到 CLIP 等模型的准确率最高降低 60%。
2024-03-27 cs.AI cs.CV cs.LG
Synthetic Defect Generation for Display Front-of-Screen Quality Inspection: A Survey
Georgia Institute of Technology(佐治亚理工学院);Apple(苹果公司)
显示屏前(FOS)质量检测对于显示屏的大规模生产在制造过程中至关重要。然而,严重的数据不平衡,特别是缺陷样本数量有限,一直是阻碍深度学习算法成功应用的一个长期存在的问题。合成缺陷数据生成可以帮助解决这个问题。本文回顾了最先进的合成数据生成方法和评价指标,可以潜在地应用于显示FOS质量检测任务。
2022-03-03 cs.LG
HydraGAN A Multi-head, Multi-objective Approach to Synthetic Data Generation
合成数据生成克服了现实世界机器学习的局限性。传统方法对于增加昂贵的数据集是有价值的,但只能优化一个标准:真实性。在本文中,我们解决了生成优化多个标准的合成数据的问题。当真实数据被合成数据取代以保护隐私时,这个目标是必要的。我们介绍了HydraGAN,一种新的方法来合成数据生成,引入多个生成器和代理到系统中。多代理GAN优化了隐私保护和数据真实性的目标。为了促进多智能体训练,我们采用博弈论原理来提供均衡保证。我们观察到,HydraGAN在三个数据集的多个标准上优于基线方法,这些标准包括最大限度地提高数据真实性,最大限度地提高模型准确性,以及最大限度地降低重新识别风险。
2021-11-13 cs.LG
On the Usefulness of Synthetic Tabular Data Generation
Amazon AWS AI/ML(亚马逊云科技人工智能/机器学习部门)
本研究针对数据共享、数据增强、类别平衡和数据摘要四种用例,基准测试了合成表格数据对机器学习训练的影响,发现仅在部分数据集的类别平衡上有轻微改善,整体缺乏证据支持其对ML训练的有用性。
2023-06-27 cs.LG
Comparing Synthetic Tabular Data Generation Between a Probabilistic Model and a Deep Learning Model for Education Use Cases
University of Pretoria(比勒陀利亚大学);University of the Witwatersrand(金山大学)
生成合成数据的能力在不同的领域中具有各种用例。在教育研究中,越来越需要获得合成数据来测试某些概念和想法。近年来,几种深度学习架构被用于帮助生成合成数据,但结果各不相同。在教育背景下,实现需要大型数据集的不同模型的复杂性变得非常重要。本研究旨在比较概率模型(特别是贝叶斯网络)和深度学习模型(特别是使用分类任务的生成对抗网络)之间合成表格数据生成的应用。这项研究的结果表明,由于概率的相互依赖性,合成表格数据生成更适合使用概率模型的教育环境(总体准确率为75%),而不是深度学习架构(总体准确率为38%)。最后,我们建议应探索和评估其他数据类型在为教育用例生成合成数据方面的应用。
2022-10-16 cs.LG
Privacy-Preserving Tabular Synthetic Data Generation Using TabularARGN
MOSTLY AI
针对传统匿名化技术无法充分保护隐私的问题,提出用于生成高质量表格数据的神经网络架构TabularARGN,通过基于离散化的自回归方法实现高保真与计算高效,并在统计相似性、机器学习效用、检测鲁棒性及抵御成员推理攻击上展现出有效的隐私与效用平衡。
2025-08-08 cs.LG
SynHING: Synthetic Heterogeneous Information Network Generation for Graph Learning and Explanation
National Taiwan University(台湾大学);Academia Sinica(中央研究院)
本文提出SynHING框架,通过自底向上生成和后剪枝技术合成异构信息网络,为图学习与GNN解释模型评估提供基线数据集及真实motifs。
2024-05-29 cs.AI cs.LG cs.SI
Why LLMs Are Bad at Synthetic Table Generation (and what to do about it)
Virginia Tech(弗吉尼亚理工大学);Stevens Institute of Technology(史蒂文斯理工学院)
本文分析 LLM 在合成表格生成中的缺陷,指出自回归建模与随机列排列削弱函数依赖和条件分布混合学习,并提出让模型具备排列感知能力作为改进方向。
2025-03-13 cs.LG
An Interpretability-Guided Framework for Responsible Synthetic Data Generation in Emotional Text
本文提出一种基于SHAP的可解释性引导框架,用于生成情感文本的合成数据,提升少数情绪类别的分类性能,同时揭示合成文本在词汇丰富性和表达复杂性上的局限性。
2025-11-20 cs.LG
Synthetic Embedding-based Data Generation Methods for Student Performance
George Mason University(乔治梅森大学)
考虑到学生成绩数据集中固有的类不平衡问题,属于目标类分布边缘的样本对预测机器学习算法的学习提出了挑战。在本文中,我们介绍了一个通用的框架合成嵌入为基础的数据生成(SEDG),基于搜索的方法来生成新的合成样本使用嵌入,以纠正类不平衡的最佳损害影响。我们将SEDG框架与过去的合成数据生成方法(包括深度生成模型和传统采样方法)进行了比较。在我们的研究结果中,我们发现SEDG优于深度神经网络的传统重采样方法,并且在几个标准性能指标中,在学生表现任务上与常见的机器学习分类器竞争。
2021-01-03 cs.AI cs.LG
Machine Learning for Synthetic Data Generation: A Review
Stanford University(斯坦福大学);Virginia Polytechnic Institute and State University(弗吉尼亚理工学院暨州立大学);Purdue University(普渡大学);Virginia Tech(弗吉尼亚理工大学);Oregon State University(俄勒冈州立大学);University of Washington(华盛顿大学);Rensselaer Polytechnic Institute(伦斯勒理工学院);Fordham University(福特汉姆大学)
本文综述了利用机器学习模型生成合成数据以解决数据质量、不足及隐私等问题的研究,涵盖多领域应用、深度生成模型方法及隐私公平性,并指出了未来研究挑战与机遇。
2025-04-04 cs.LG
Measuring Privacy Risks and Tradeoffs in Financial Synthetic Data Generation
Rensselaer Polytechnic Institute(拉特格斯理工学院)
本文研究了金融领域合成数据生成中隐私与效用的权衡,通过改进GAN和自编码器的隐私保护实现,评估了不同数据集平衡性对生成质量的影响。
2026-02-10 cs.LG
Synthetic Demographic Data Generation for Card Fraud Detection Using GANs
Memorial University of Newfoundland(纽芬兰纪念大学);Verafin(Verafin公司)
本研究构建了名为DGGAN的深度学习生成对抗网络,通过在训练期间生成样本以克服类不平衡问题,从而生成复杂的合成人口统计数据,提升信用卡欺诈检测性能。
2023-06-29 cs.AI cs.LG
FairCauseSyn: Towards Causally Fair LLM-Augmented Synthetic Data Generation
University of California, Irvine(加州大学尔湾分校)
提出首个LLM增强的合成数据生成方法FairCauseSyn,在健康表格数据上实现因果公平,偏差小于10%,并将敏感属性偏差降低70%。
2025-06-23 cs.AI cs.LG
Synthetic Context Generation for Question Generation
Rice University(莱斯大学);Adobe(奥多比公司)
针对问题生成任务中带上下文的领域数据集难获取的问题,提出用大语言模型基于问答对生成合成上下文来训练QG模型,实验证明合成上下文有效,微调小模型性能优于提示大模型,且与真实上下文效果相当。
2024-06-19 cs.CL cs.LG
Synthetic location trajectory generation using categorical diffusion models
Swiss Data Science Center(瑞士数据科学中心);ETH Zurich(苏黎世联邦理工学院)
提出使用连续扩散概率模型生成合成个体位置轨迹,通过将轨迹表示为多维类别随机变量并在连续空间应用扩散过程后映射至离散空间,实验证明其能生成逼真轨迹以用于移动性研究中的模型基准测试。
2024-02-19 cs.LG
An evaluation framework for synthetic data generation models
Novelcore
本文提出一个评估合成数据生成模型的新框架,通过统计和理论信息评估模型生成高质量数据的能力,并在两个用例中验证其适用性。
2024-04-13 cs.AI cs.LG
A Usable GAN-Based Tool for Synthetic ECG Generation in Cardiac Amyloidosis Research
Affiliation, address, email.(所属机构、地址、邮箱)
本文提出了一种基于GAN的可使用工具,用于生成合成ECG波形,以支持心肌脂肪变的早期诊断和患者分层。
2026-01-13 cs.LG
A Comprehensive Survey of Synthetic Tabular Data Generation
School of Artificial Intelligence, Jilin University(吉林大学人工智能学院);Department of Data Science, New Jersey Institute of Technology(新泽西理工学院数据科学系)
本文系统综述了合成表格数据生成方法,整合传统生成方法、扩散模型和大语言模型三类技术,并从背景、生成方法、应用与挑战三方面梳理研究现状与未来方向。
2025-07-17 cs.LG
Generation of synthetic delay time series for air transport applications
Instituto de Física Interdisciplinar y Sistemas Complejos CSIC-UIB(多学科物理与复杂系统研究所(CSIC-UIB))
本文提出了一种生成合成机场延误时间序列的方法,通过比较深度学习和遗传算法模型,实现了高真实性和变异性,并用于检测延误传播问题。
2026-01-07 cs.LG
Convex space learning for tabular synthetic data generation
Institute of Computer Science, University of Rostock(罗斯托克大学计算机科学学院);Stellenbosch Institute for Advanced Study(斯泰伦博斯高等研究院);School of Data Science, Indian Institute of Science Education and Research Thiruvananthapuram(印度 Thiruvananthapuram 科学教育与研究学院数据科学学院)
本文提出 NextConvGeN 深度生成架构,通过学习表格数据邻域的凸空间生成完整合成数据集,并在十个生物医学数据集上验证其效用与隐私表现优势。
2025-02-20 cs.LG
Privacy-Preserving Synthetic Educational Data Generation
Inria Saclay(法国国家信息与自动化研究所萨克莱分院)
机构收集大量的学习痕迹,但出于隐私问题,它们可能不会披露。合成数据的产生为教育研究开辟了新的机会。在本文中,我们提出了一个生成模型的教育数据,可以保护参与者的隐私,并比较合成数据发电机的评估框架。我们将展示如何天真的匿名化可以导致重新识别的威胁,并建议技术,以保证隐私。我们评估我们的方法对现有的大量教育开放数据集。
2022-07-07 cs.AI cs.CR cs.CY
Generative Adversarial Networks for Synthetic Data Generation: A Comparative Study
School of Social Sciences, University of Manchester(曼彻斯特大学社会科学学院);Alliance Manchester Business School, University of Manchester(曼彻斯特大学联盟曼彻斯特商学院)
生成对抗网络(GANs)作为一种合成数据的手段越来越受到关注。到目前为止,这项工作的大部分已经应用于数据保密领域之外的用例,其中一个常见的应用是人工图像的生成。在这里,我们考虑了GANs的潜在应用,以生成合成的人口普查微观数据。我们采用了一组效用度量和披露风险度量(目标正确归因概率)来比较表格GANs产生的数据与使用传统数据合成方法产生的数据。
2021-12-03 cs.LG
Synthetic medical data generation: state of the art and application to trauma mechanism classification
AHeaD Team, Université de Bordeaux, INSERM, BPH, U1219(AHeaD团队,波尔多大学,法国国家医学研究院,BPH,U1219);SISTM Team, Université de Bordeaux, INSERM, INRIA, BPH, U1219(SISTM团队,波尔多大学,法国国家医学研究院,INRIA,BPH,U1219);CHU de Bordeaux, INSERM, U1219(波尔多大学医院,法国国家医学研究院,U1219);Aix-Marseille Université(阿维尼昂-马赛大学)
本文综述了合成医疗数据生成的最新方法,并提出结合表格与文本数据的高质量合成记录生成方法,应用于创伤机制自动分类。
2025-08-04 cs.LG
Synthetic Dynamic PMU Data Generation: A Generative Adversarial Network Approach
Texas A&M University(德州农工大学)
本文讨论了用于科研和教学目的的合成相量测量单元(PMU)数据的产生。由于真实PMU数据的保密性和公众无法获得真实的电力系统基础设施信息,缺乏可信的真实数据成为日益关注的问题。而不是构建合成电网,然后通过时间模拟产生合成PMU测量数据,我们提出了一种无模型的方法来直接生成合成PMU数据。我们用真实的PMU数据训练生成式对抗网络(GAN),它可以用来生成捕捉系统动态行为的合成PMU数据。为了验证GAN模拟PMU数据的时序生成能力,我们从理论上分析了GAN学习系统动力学的能力。进一步通过对合成PMU数据的定量评价,验证了GAN在合成真实样本方面的潜力,同时也认识到本文的GAN模型仍有改进的空间。此外,这是第一次,这种生成模型被应用到合成PMU数据。
2018-12-07 cs.LG eess.SP
FairFinGAN: Fairness-aware Synthetic Financial Data Generation
University of Koblenz(科伦兹大学);Hanoi University of Science and Technology(河内科学技术大学);Banking Academy of Vietnam(越南银行学院);University of Sheffield(谢菲尔德大学)
FairFinGAN通过引入公平性约束生成公平且实用的合成金融数据,有效减少偏见并提升数据实用性。
2026-03-05 cs.LG
Conditional Synthetic Data Generation for Robust Machine Learning Applications with Limited Pandemic Data
University of California, Berkeley(加州大学伯克利分校);University of California, San Francisco(加州大学旧金山分校)
$\textbf{Background:}$在大流行(如COVID-19)开始时,可能无法获得或缺乏与新疾病对应的具有适当标签/属性的数据。机器学习(ML)模型训练的可用数据,这是有限的数量和多样性差,往往会有偏见和不准确。与此同时,旨在对抗流行病的ML算法必须具有良好的性能,并以时间敏感的方式开发。为了解决有限数据的挑战,并标记可用数据的稀缺性,我们建议生成有条件的合成数据,与真实数据一起用于开发强大的ML模型。$\textbf{Methods:}$我们提出了一个混合模型,包括一个条件生成流和一个分类器的条件合成数据生成。分类器对条件的特征表示进行分类,该特征表示被馈送到流以提取局部噪声。我们生成合成数据通过操纵本地噪声与固定的条件特征表示。我们还提出了一种半监督的方法来生成合成样本的标签的情况下,大多数可用的数据。$\textbf{Results:}$我们对对应于正常、COVID-19和肺炎患者的胸部计算机断层扫描(CT)扫描进行了条件合成生成。我们表明,我们的方法显着优于现有的模型在定性和定量性能,我们的半监督方法可以有效地合成条件样本标签稀缺。作为下游使用合成数据的一个例子,我们展示了使用条件合成数据增强的CT扫描对COVID-19检测的改进。
2021-09-14 cs.LG
HandCraft: Dynamic Sign Generation for Synthetic Data Augmentation
本文提出基于CMLPe的轻量级手语生成模型HandCraft,结合合成数据预训练提升手语识别性能,并在LSFB和DiSPLaY数据集上取得新SOTA结果。
2025-08-22 cs.CV cs.LG
Secure Multiparty Computation for Synthetic Data Generation from Distributed Data
Microsoft(微软);University of Washington Tacoma(华盛顿大学塔科马分校);Universidade de Brasilia(巴西利亚大学);Ghent University(根特大学)
访问相关数据的法律和道德限制阻碍了健康、金融和教育等关键领域的数据科学研究。具有隐私保证的合成数据生成算法正在成为打破这种数据僵局的范例。然而,现有的方法假设数据持有者将其原始数据提供给可信的管理者,管理者将其用作生成合成数据的燃料。这严重限制了其适用性,因为世界上许多有价值的数据都被锁在孤岛中,由无法在不引起隐私问题的情况下向彼此或中央聚合器显示数据的实体控制。为了克服这一障碍,我们提出了第一个解决方案,其中数据持有者只共享加密数据,用于差分私有合成数据生成。数据持有者将共享发送到执行安全多方计算(MPC)计算的服务器,同时原始数据保持加密。我们在MPC协议中实例化这个想法,用于具有指数机制的乘法权重(MWEM)算法,以基于源自许多数据持有者的真实数据生成合成数据,而不依赖于单个故障点。
2022-10-28 cs.CR cs.LG
Synthetic Flight Data Generation Using Generative Models
Faculty of Aerospace Engineering(航空航天工程学院);Delft University of Technology (TU Delft)(代尔夫特理工大学)
本文研究生成模型生成真实飞行数据的潜力,通过四阶段评估框架评估其质量,发现TVAE在处理大规模数据时更高效,合成数据能支持与真实数据相当的航班延误预测模型。
2026-04-22 cs.LG
Enhancing Table Representations with LLM-powered Synthetic Data Generation
University of Delaware(特拉华大学);Capital One(第一资本金融公司)
针对表格表示学习中数据质量不足的问题,提出利用LLM代码生成与数据操作能力构建合成数据流水线,生成大规模数据集以增强表格表示,并在表格推荐任务上验证了其有效性。
2024-11-04 cs.AI cs.LG
Conditional Synthetic Food Image Generation
The Ohio State University(俄亥俄州立大学);Purdue University(普渡大学)
生成对抗网络(GAN)以其强大的表示学习能力在图像合成中得到了广泛的研究。在这项工作中,我们探索了StyleGAN及其在合成食品图像生成中的应用。尽管GAN在自然图像生成方面的性能令人印象深刻,但食物图像存在很高的类内多样性和类间相似性,导致合成图像的过拟合和视觉伪影。因此,我们的目标是探索的能力,并提高食品图像生成的GAN方法的性能。具体来说,我们首先选择StyleGAN 3作为基线方法来生成合成食物图像并分析性能。然后,我们确定了在训练阶段可能导致食物图像性能下降的两个问题:(1)多食物类训练期间的类间特征纠缠和(2)图像下采样期间的高分辨率细节丢失。为了解决这两个问题,我们建议一次训练一个食物类别,以避免特征纠缠,并利用从高分辨率数据集裁剪的图像块来保留细节。我们在Food-101数据集上评估了我们的方法,与基线相比,生成的合成食物图像质量有所提高。最后,我们展示了提高下游任务性能的巨大潜力,例如通过在数据增强中包含高质量的合成训练样本来进行食品图像分类。
2023-03-16 cs.CV cs.LG
A Multifaceted Benchmarking of Synthetic Electronic Health Record Generation Models
Vanderbilt University Medical Center(范德比尔特大学医学中心);Sage Bionetworks;Vanderbilt University(范德比尔特大学);University of Washington(华盛顿大学);Tempus Labs
合成健康数据有可能在共享数据以支持生物医学研究和创新医疗应用开发时减轻隐私问题。基于机器学习的现代数据生成方法,特别是生成对抗网络(GAN)方法,继续发展并展示出巨大的潜力。然而,缺乏一个系统的评估框架来衡量方法的出现,并确定哪些方法最适合哪些用例。在这项工作中,我们引入了一个可推广的基准框架来评估合成健康数据的实用性和隐私指标的关键特征。我们应用该框架来评估电子健康记录(EHR)数据的合成数据生成方法,这些数据来自两个大型学术医疗中心的几个用例。结果表明,有一个实用性和隐私的权衡共享合成EHR数据。结果进一步表明,在每个用例中,没有一种方法在所有标准上都是明确的最佳方法,这使得为什么合成数据生成方法需要在上下文中进行评估变得显而易见。
2022-08-02 cs.AI cs.CY cs.LG
Learning Vine Copula Models For Synthetic Data Generation
MIT(麻省理工学院);Universidad Rey Juan Carlos(胡安卡洛斯国王大学)
藤copula模型是一种灵活的高维依赖模型,它只使用二元构建块。然而,随着变量数量的增加,藤蔓连接的可能配置数量呈指数级增长,使得模型选择成为开发中的一个主要挑战。在这项工作中,我们制定了向量和强化学习表示的藤蔓结构学习问题。我们使用神经网络来找到最好的葡萄树模型的嵌入,并生成一个结构。在整个合成和真实世界的数据集上的实验中,我们表明我们提出的方法在对数似然方面更适合数据。此外,我们证明了该模型能够在各种应用中生成高质量的样本,使其成为合成数据生成的良好候选者。
2018-12-04 cs.LG stat.ML
Partition-based differentially private synthetic data generation
Cyberspace Institute of Advanced Technology, Guangzhou University(广州大学网络空间先进技术研究院)
针对现有差分隐私合成数据方法误差大、预算分配难的问题,提出基于分区的生成方法,在有限隐私预算下减少误差、提升数据质量与实用性。
2023-10-10 cs.CR cs.LG
Controlled Generation for Private Synthetic Text
Johns Hopkins University(约翰霍普金斯大学)
针对高风险领域文本隐私保护需求,提出结合去标识化与HIPS理论、带实体感知控制码的可控合成文本生成方法,经法律和临床数据集验证,在隐私与效用间实现良好平衡。
2025-09-30 cs.AI cs.CL cs.LG
Unsupervised Traffic Scene Generation with Synthetic 3D Scene Graphs
TUM(慕尼黑工业大学);BMW AG(宝马股份公司);JHU(约翰斯·霍普金斯大学);Google(谷歌)
由计算机图形学驱动的图像合成最近取得了显着的现实主义,但这种方式产生的合成图像数据显示了一个显着的领域差距,相对于真实世界的数据。在自动驾驶场景中尤其如此,这代表了克服利用合成数据训练神经网络的关键方面。提出了一种基于区域不变场景表示的交通场景图像合成方法。具体来说,我们依赖于合成场景图作为我们的内部表示,并引入了一个无监督的神经网络架构的现实交通场景合成。我们增强合成场景图的空间信息的场景,并证明我们的方法通过场景操作的有效性。
2023-03-15 cs.CV cs.LG cs.RO
MC-GEN:Multi-level Clustering for Private Synthetic Data Generation
University of South Florida(南佛罗里达大学);Snap Inc.(Snap公司)
随着机器学习和数据科学的发展,企业和研究机构之间为避免数据稀缺而进行的数据共享非常普遍。然而,共享包含隐私信息的原始数据集可能会导致隐私泄露。一个可靠的解决方案是利用私人合成数据集,保留原始数据集的统计信息。在本文中,我们提出了MC-GEN,隐私保护合成数据生成方法下的差分隐私保证机器学习分类任务。MC-GEN采用多级聚类和差分私有生成模型来提高合成数据的效用。在实验评估中,我们评估了参数的影响和MC-GEN的有效性,结果表明MC-GEN在一定的隐私保证下对多分类任务都能取得显著的效果。此外,我们比较MC-GEN与现有的三种方法。结果表明,MC-GEN在实用性方面优于其他方法。
2022-11-29 cs.CR cs.LG
FairTabGen: High-Fidelity and Fair Synthetic Health Data Generation from Limited Samples
University of California, Irvine(加州大学尔湾分校);TU Wien (Vienna University of Technology)(维也纳技术大学);Heidelberg University(海德堡大学)
FairTabGen通过结合上下文学习、提示整理和结构约束,以更少的数据生成高保真且公平的合成医疗数据,提升公平性的同时保持预测效用。
2026-02-18 cs.AI cs.LG
Hierarchical Conditional Tabular GAN for Multi-Tabular Synthetic Data Generation
KTH(皇家理工学院)
本文提出 HCTGAN 算法用于从复杂多表数据集高效合成多表数据,实验表明其在深度复杂多表数据集上比概率模型 HMA1 采样更高效且始终保证参照完整性,而 HMA1 更适合侧重数据质量的小数据集。
2024-11-11 cs.DB cs.LG
MMM and MMMSynth: Clustering of heterogeneous tabular data, and synthetic data generation
The Institute of Mathematical Sciences(数学科学研究所);Homi Bhabha National Institute(霍米·巴巴国家研究所)
提出基于EM的MMM聚类算法和MMMsynth合成数据生成算法,分别用于异构表格数据的聚类和合成数据生成,后者在基准测试中优于其他生成器并接近真实数据训练效果。
2024-04-04 cs.LG stat.ML
Synthetic Data Generation in Low-Resource Settings via Fine-Tuning of Large Language Models
University College London(伦敦大学学院);University of Hong Kong(香港大学)
本文研究在低资源环境下,通过微调教师LLMs生成合成数据来训练更小的模型,实验证明该方法在文本分类与生成任务上显著提升了下游模型性能且仅需少量原始数据。
2024-01-08 cs.CL cs.LG
Synthetic Lung Nodule 3D Image Generation Using Autoencoders
Colorado State University(科罗拉多州立大学)
将机器学习技术与医疗数据一起使用的挑战之一是经常缺乏用于训练的源图像数据。一个代表性的例子是自动肺癌诊断,其中结节图像需要被分类为可疑或良性。在这项工作中,我们提出了一个自动合成肺结节图像生成器。我们的3D形状生成器旨在增加3D图像的多样性。我们提出的系统扎根于自动编码器技术,我们提供了广泛的实验表征,证明了它的能力,以产生高质量的合成图像。
2019-09-09 cs.CV cs.LG stat.ML