FEST: A Unified Framework for Evaluating Synthetic Tabular Data
Communication Systems Group CSG, Department of Informatics, University of Zurich UZH(信息学院通信系统组、苏黎世大学)
本文提出统一评估框架FEST,整合隐私、相似性和机器学习效用度量,以开源Python库形式系统评估合成表格数据的隐私-效用权衡。
2025-08-22 cs.LG
Detect Fake with Fake: Leveraging Synthetic Data-driven Representation for Synthetic Image Detection
Waseda University(早稻田大学);Waseda Research Institute for Science and Engineering(早稻田理工学研究院)
本研究探索合成数据训练的视觉表征用于假图像检测的效果,发现用合成数据预训练的vision transformer可区分真假图像,以SynCLR为骨干的检测方法在未见过的GAN测试集上性能显著优于CLIP。
2024-09-13 cs.CV cs.LG
Synthetic Data -- Anonymisation Groundhog Day
EPFL(洛桑联邦理工学院);UCL(伦敦大学学院)
合成数据被宣传为隐私保护数据发布的银弹解决方案,解决了传统匿名技术的缺点。其承诺是,从生成模型中提取的合成数据保留了原始数据集的统计特性,但同时提供了针对隐私攻击的完美保护。在这项工作中,我们首次对合成数据发布的隐私收益进行了定量评估,并将其与之前的匿名技术进行了比较。我们对各种最先进的生成模型的评估表明,合成数据要么不能防止推理攻击,要么不能保留数据效用。换句话说,我们的经验表明,与传统的匿名技术相比,合成数据并没有在隐私和实用性之间提供更好的权衡。此外,与传统的匿名化相比,合成数据发布的隐私-效用权衡难以预测。由于无法预测合成数据集将保留哪些信号以及将丢失哪些信息,因此合成数据导致高度可变的隐私增益和不可预测的效用损失。总之,我们发现合成数据远不是保护隐私的数据发布的圣杯。
2022-01-24 cs.CR cs.LG
Boosting Data Analytics With Synthetic Volume Expansion
University of Minnesota, Twin Cities(明尼苏达大学双城分校);Stanford University(斯坦福大学)
针对合成数据应用中的统计准确性与隐私问题,提出面向分析的合成数据生成框架,发现世代效应与反射点,经多场景验证性能优于传统方法,且隐私风险更低。
2024-03-10 cs.LG stat.ML
Really Useful Synthetic Data -- A Framework to Evaluate the Quality of Differentially Private Synthetic Data
Cardiff University(卡迪夫大学);University of Mannheim(曼海姆大学)
最近在生成合成数据方面取得的进展,允许增加保护隐私的原则性方法-如差别隐私-是以保护隐私的方式分享统计信息的关键一步。但是,虽然重点一直放在隐私保障上,但由此产生的私人合成数据只有在仍然包含原始数据的统计信息时才有用。为了进一步优化数据隐私和数据质量之间的内在权衡,有必要仔细考虑后者。数据分析师想要什么?承认数据质量是一个主观的概念,我们开发了一个框架来评估质量的差异私人合成数据从应用研究人员的角度来看。数据质量可以从两个维度来衡量。首先,合成数据的质量可以根据训练数据或基础人群进行评估。其次,合成数据的质量取决于分布的一般相似性或特定任务,如推理或预测。显然,同时兼顾所有目标是一项艰巨的挑战。我们邀请学术界共同推进隐私质量前沿。
2021-10-01 cs.LG stat.ML
Synthetic Image Data for Deep Learning
BMW IT Research Center(宝马IT研究中心);Clemson University(克莱姆森大学)
从3D模型渲染的真实合成图像数据可用于增强图像集和训练图像分类语义分割模型。在这项工作中,我们将探讨如何高质量的基于物理的渲染和域随机化可以有效地创建一个大型的合成数据集的基础上生产的三维CAD模型的真实车辆。我们使用这个数据集来量化使用U网和双U网模型的合成增强的有效性。我们发现,在这个领域,合成图像是一种有效的技术,用于增强有限的真实训练数据集。我们观察到,在纯合成图像上训练的模型在真实验证图像上的平均预测IoU非常低。我们还观察到,即使在合成数据集中添加非常少量的真实图像,也会大大提高准确性,并且在使用合成图像增强的数据集上训练的模型比仅在真实图像上训练的模型更准确。最后,我们发现,在受益于增量训练或模型专业化的用例中,在合成图像上预训练基础模型可以大大降低迁移学习的训练成本,允许高达90%的模型训练被预先加载。
2022-12-12 cs.CV cs.LG
Sequential Models in the Synthetic Data Vault
MIT(麻省理工学院);The Synthetic Data Vault team(合成数据库团队)
本文的目标是描述一个系统,用于生成合成序列数据内的合成数据保险库。为了实现这一点,我们提出了SDV中的Sequential模型,这是一个端到端框架,可以为多序列的真实世界数据构建生成模型。这包括一种新的基于神经网络的机器学习模型,条件概率自回归(CPAR)模型。整个系统和模型可在开源合成数据库(SDV)库{https://github.com/sdv-dev/SDV}中找到,同时还有各种其他模型可满足不同的合成数据需求。在构建了Sequential SDV之后,我们使用它来生成合成数据,并将其质量与现有的基于非顺序生成对抗网络的模型CTGAN进行比较。为了将序列合成数据与其真实对应物进行比较,我们发明了一种称为多序列聚合相似性(MSAS)的新度量。我们使用它来得出结论,我们的顺序SDV模型比非顺序模型学习更高级别的模式,而无需在合成数据质量方面进行任何权衡。
2022-07-28 cs.LG cs.MS
Synthetic Data Generators: Sequential and Private
Google Brain(谷歌大脑);Tel Aviv University(特拉维夫大学);Technion(以色列理工学院)
我们研究了样本复杂性的私人合成数据生成的一个无界大小的类的统计查询,并表明,任何类,是私人适当的PAC学习承认一个私人合成数据发电机(也许是非有效的)。以前的工作合成数据生成器集中的情况下,查询类$\mathcal{D}$是有限的,并获得样本的复杂性范围,规模与大小$|\mathcal{D}|$几何。在这里,我们构建了一个私有的合成数据生成器,其样本复杂度与域的大小无关,我们用$\mathcal{D}$是私有PAC可学习的假设来代替有限性(一个形式上较弱的任务,因此我们获得了两个任务之间的等价性)。
2020-12-07 cs.LG stat.ML
Using GPT-2 to Create Synthetic Data to Improve the Prediction Performance of NLP Machine Learning Classification Models
分类模型使用输入数据来预测后续输入数据将落入预定类别的可能性。为了进行有效的分类,这些模型需要大量的数据集进行训练。利用合成数据来提高机器学习模型的性能正在成为一种常见的做法。据报道,壳牌正在使用合成数据建立模型,以检测很少发生的问题;例如,壳牌创建了合成数据,以帮助模型识别正在恶化的石油管线。机器学习从业者的常见做法是通过旋转、翻转和裁剪图像来生成合成数据,以增加图像数据量来训练卷积神经网络。本文的目的是探索创建和利用合成NLP数据来提高自然语言处理机器学习分类模型的性能。在本文中,我使用Yelp披萨餐厅评论数据集和迁移学习来微调预训练的GPT-2 Transformer模型,以生成合成披萨评论数据。然后,我将此合成数据与原始真实数据相结合,以创建一个新的联合数据集。新的组合模型在准确度和精度上明显优于原模型。
2021-04-02 cs.CL cs.LG
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
Data Can Speak for Itself: Quality-guided Utilization of Wireless Synthetic Data
School of Computer Science, Peking University(北京大学计算机科学学院);University of Pittsburgh(匹兹堡大学);Key Laboratory of High Confidence Software Technologies, Ministry of Education (PKU)(高等教育部高可信软件技术重点实验室(PKU))
针对无线合成数据质量不可预测导致性能提升无保障的问题,提出量化亲和度与多样性的SynCheck方案,在训练中优化数据质量,即使原方法性能下降13.4%仍能提升4.3%。
2025-06-29 cs.AI cs.LG
G2R Bound: A Generalization Bound for Supervised Learning from GAN-Synthetic Data
HTC Research & Healthcare(HTC研究与医疗事业部);Stanford University(斯坦福大学)
从使用生成对抗网络(GANs)合成的数据中执行监督学习,被称为GAN-合成数据,有两个重要的应用。首先,GANs可以生成更多标记的训练数据,这可以帮助提高分类准确度。其次,在出于隐私和/或安全原因而无法在某些场所之外发布真实数据的情况下,使用GAN-合成数据进行训练是一种合理的替代方案。本文提出了一个泛化界,以保证从GAN-合成数据学习的分类器的泛化能力。该泛化界有助于开发人员衡量从合成数据学习和在真实数据上测试之间的泛化差距,因此可以提供提高泛化能力的线索。
2019-05-29 cs.LG stat.ML
Insights into Pre-training via Simpler Synthetic Tasks
Stanford University(斯坦福大学);Google Research(谷歌研究院);UC Berkeley(加州大学伯克利分校)
预训练产生的表示对于广泛的下游任务是有效的,但目前还不清楚预训练的哪些属性是有效增益所必需的。值得注意的是,最近的工作表明,即使是合成任务的预训练也可以在下游任务中取得显着的收益。在这项工作中,我们进行了三个实验,迭代地简化预训练,并表明简化仍然保留了大部分收益。首先,在先前工作的基础上,我们对六个下游任务的三种现有合成预训练方法进行了系统评估。我们发现最好的合成预训练方法LIME平均获得自然预训练的$67\%$的好处。其次,令我们惊讶的是,我们发现在由Set函数定义的简单通用合成任务上进行预训练可以获得$65\%$的好处,几乎与LIME相匹配。第三,我们发现,$39\%$的好处可以通过使用合成预训练的参数统计。我们在https://github.com/felixzli/synthetic_pretraining上发布源代码。
2022-06-21 cs.AI cs.LG
Comparative Study of Differentially Private Synthetic Data Algorithms from the NIST PSCR Differential Privacy Synthetic Data Challenge
Urban Institute(城市研究所);RAND Corporation(兰德公司)
差异化私有合成数据生成提供了一种最新的解决方案,可以发布分析上有用的数据,同时保护数据中个人的隐私。为了将这些算法用于公共政策决策,决策者需要准确了解这些算法的比较性能。相应地,数据从业者需要标准的指标来评估合成数据的分析质量。在本文中,我们使用2018-2019年国家标准与技术研究院公共安全通信研究(NIST PSCR)部门的“差分隐私合成数据挑战赛”中参赛者创建的实际差分私有合成数据集,对几种差分私有合成数据算法进行了深入评估。我们根据这些算法创建的数据的准确性以及潜在数据提供商的可用性对它们进行分析。我们在NIST PSCR数据挑战中使用的方法框架在更广泛的差异私人合成数据文献中。我们实现了额外的效用指标,包括我们自己的两个,在不同的私人合成数据和比较机制效用的三个类别。我们的差异私人数据合成方法和质量指标的比较评估显示的相对有用性,一般的优点和缺点,并提供了首选的算法和指标。最后,我们描述了我们的评估政策制定者寻求实现差异化的私人合成数据算法对未来的数据产品的影响。
2020-10-12 cs.CR cs.LG stat.AP
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
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
Does Training with Synthetic Data Truly Protect Privacy?
National University of Singapore(新加坡国立大学);ETH Zurich(苏黎世联邦理工学院)
本文考察核心集选择、数据集蒸馏、无数据知识蒸馏和扩散模型合成数据四种训练范式,指出它们虽都使用合成数据,隐私保护效果却差异显著,强调须严格评估以免产生虚假隐私感。
2025-02-18 cs.CR cs.LG
Advancing Retail Data Science: Comprehensive Evaluation of Synthetic Data
Bain & Company(贝恩公司)
本文提出了一个聚焦保真度、效用与隐私的合成零售数据综合评估框架,区分数据属性设定评估标准,结合差分隐私保障安全,验证了其可靠可扩展的评估能力,助力零售数据科学发展。
2024-06-19 cs.LG stat.ML
Generation and Simulation of Synthetic Datasets with Copulas
Haute Ecole de la Suisse Occidentale (HES-SO)(瑞士西部高等专业学院);NetGuardians SA(NetGuardians公司)
提出了一种基于Copula模型的合成数据集生成方法。我们的目标是产生类似于真实数据的边缘和联合分布的替代数据。我们提出了一个完整的和可靠的算法,用于生成一个合成数据集,包括数值或分类变量。将我们的方法应用于两个数据集显示出比其他方法(如SMOTE和自动编码器)更好的性能。
2022-03-30 cs.AI cs.LG
Does Differentially Private Synthetic Data Lead to Synthetic Discoveries?
University of Turku(图尔库大学)
本文评估了在差分隐私合成数据上进行统计检验的可靠性,发现低隐私预算下第一类错误显著膨胀,易导致虚假发现,并提出基于DP平滑直方图的方法可在一定条件下保证检验有效性。
2024-08-23 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
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
Position Paper: Building Trust in Synthetic Data for Clinical AI
Indian Institute of Technology Madras(马德拉斯印度理工学院);All India Institute of Medical Sciences(全印度医学科学研究院)
本文论证建立对合成医学数据的信任是其临床采用的关键,并通过脑肿瘤分割实验证明合成数据的质量、多样性和比例会直接影响临床AI模型的可信度。
2025-02-04 cs.CV cs.LG
Fair4Free: Generating High-fidelity Fair Synthetic Samples using Data Free Distillation
Linköping University(林雪平大学)
针对私有或不可访问数据场景,本文提出 Fair4Free,通过教师模型学习公平表示并无数据蒸馏到小型学生模型来生成公平合成样本,在公平性、效用和合成质量上均超越现有方法。
2024-10-02 cs.AI cs.LG
Synthetic Data and Simulators for Recommendation Systems: Current State and Future Directions
NVIDIA(英伟达)
合成数据和模拟器有可能显著提高推荐系统的性能和鲁棒性。这些方法已经在其他机器学习驱动的领域产生了有益的影响。我们确定并讨论了一个关键的数据保真度和隐私之间的权衡在过去的工作合成数据和推荐系统的模拟器。对于根据合成数据的真实数据预测算法排名的重要用例,我们提供了动机和当前的成功与局限性。最后,我们概述了一些令人兴奋的推荐系统,我们认为值得进一步关注和工作的未来方向,包括混合真实和合成数据,在数据集生成的反馈,强大的模拟和隐私保护的方法。
2021-12-21 cs.IR cs.LG
Can Synthetic Data be Fair and Private? A Comparative Study of Synthetic Data Generation and Fairness Algorithms
Centre for the Science of Learning & Technology (SLATE), University of Bergen(学习科学与技术中心(SLATE),卑尔根大学);University of South Australia(澳大利亚南澳大利亚大学)
本研究探讨了合成数据生成与公平性算法在平衡隐私和公平性方面的效果,发现DECAF算法在隐私和公平性之间取得最佳平衡,但其预测准确性较低,而对合成数据应用预处理公平算法能进一步提升公平性。
2025-01-03 cs.AI cs.CY cs.LG
Strong statistical parity through fair synthetic data
MOSTLY AI
本文研究构建具备设计即公平特性的合成数据,通过均衡敏感属性间的目标概率分布,使下游模型实现强统计 parity 公平预测,且公平调整可灵活集成或后处理,无需重训练生成器即可微调准确率与公平性的权衡。
2023-11-06 cs.CY cs.LG stat.ML
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
Does Synthetic Data Help? Empirical Evidence from Deep Learning Time Series Forecasters
Department of Engineering(工程系);Reykjavík University(雷克雅未克大学);Iceland(冰岛)
本文通过大规模实证研究探讨合成数据在时间序列预测中的作用,发现通道混合模型在多数实验中受益,而通道独立模型则表现下降,提出使用合成增强需考虑模型架构和数据集依赖性。
2026-05-07 cs.AI cs.LG
Creating Artificial Students that Never Existed: Leveraging Large Language Models and CTGANs for Synthetic Data Generation
Centre for the Science of Learning & Technology (SLATE)(学习科学与技术中心(SLATE));University of Bergen(卑尔根大学)
本文研究了利用生成对抗网络(GANs)和大型语言模型(LLMs)生成合成表格数据的潜力,探讨了通过合成数据创建虚拟学生以服务于学习分析模型的可能性,并评估了不同生成模型的性能。
2025-01-03 cs.AI cs.LG
Creating Disasters: Recession Forecasting with GAN-Generated Synthetic Time Series Data
University of Iowa(爱荷华大学)
在预测经济衰退等罕见事件时,一个常见的问题是可用数据有限。深度学习和生成对抗网络(GANs)的最新进展使得大量产生高保真合成数据成为可能。本文使用一个名为DoppelGANger的模型,一个专门用于生成合成时间序列数据的GAN,来生成合成国债收益率时间序列和相关的衰退指标。然后,它表明,短期国债收益率的预测性能得到改善的模型训练的合成数据相对于模型只训练的真实数据。最后,产生合成衰退条件并用于训练分类模型以预测未来衰退的概率。研究表明,在合成衰退上训练模型可以提高模型预测未来衰退的能力,而不是只在真实数据上训练的模型。
2023-02-21 cs.LG econ.GN q-fin.EC
Have I Seen You? Embedding Behavior Signals Synthetic Face Dataset Membership
University of Luxembourg(卢森堡大学)
该研究针对合成人脸数据集开展数据集级成员推断攻击,在多模型多数据集实验中实现高成功率,揭示合成数据仍保留真实训练数据痕迹,需更强隐私泄漏缓解措施。
2026-08-03 cs.AI cs.CV 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
Demystifying Synthetic Data in LLM Pre-training: A Systematic Study of Scaling Laws, Benefits, and Pitfalls
FAIR at Meta(Meta 的 FAIR)
该研究通过大规模实验系统探究合成数据在LLM预训练中的作用,明确不同类型合成数据、混合比例、模型规模等对训练效果的影响,为合成数据的合理应用提供实践指导。
2025-10-02 cs.AI cs.CL cs.LG
SMOTE-DP: Improving Privacy-Utility Tradeoff with Synthetic Data
University of Texas at Dallas Richardson, TX 75082(德克萨斯大学达拉斯分校);Vanderbilt University Medical Center Nashville, TN 37232(范德比尔特大学医学中心);Virginia Tech Blacksburg, VA 24061(弗吉尼亚理工大学)
本文提出 SMOTE-DP 方法,将 SMOTE 与差分隐私数据生成器结合,在保证强隐私保护的同时维持下游学习任务的效用。
2025-06-02 cs.CR cs.LG stat.ML
The Canary's Echo: Auditing Privacy Risks of LLM-Generated Synthetic Text
Imperial College London(帝国理工学院伦敦分校);Microsoft(微软公司);National University of Singapore(新加坡国立大学)
本文提出通过设计具有分布内前缀和高困惑度后缀的知更鸟,提高基于数据的MIAs的威力,以更准确评估LLM生成合成数据的隐私风险。
2025-06-06 cs.CL cs.CR cs.LG
General Synthetic-Powered Inference
Department of Electrical and Computer Engineering, Technion IIT, Israel(电气与计算机工程系,技术离子研究所,以色列);Department of Statistics and Data Science, The Wharton School, University of Pennsylvania, USA(统计学与数据科学系,沃顿商学院,宾夕法尼亚大学,美国);Department of Computer Science, Technion IIT, Israel(计算机科学系,技术离子研究所,以色列)
本文提出了一种通用合成数据驱动推断框架,通过结合高质量合成数据和真实数据来提高样本效率,同时在合成数据质量低时自动回退到传统方法,无需分布假设即可保持误差率在用户指定范围内。
2026-06-04 cs.LG stat.ME stat.ML
SynthCLIP: Are We Ready for a Fully Synthetic CLIP Training?
KAUST(阿卜杜拉国王科技大学);University of Oxford(牛津大学)
SynthCLIP提出完全基于合成数据训练CLIP模型,利用TTI和LLM生成大规模数据集,并分析数据策略与扩展趋势,发布SynthCI-30M数据集及开源资源。
2024-07-18 cs.AI cs.CV cs.LG
Diversify, Don't Fine-Tune: Scaling Up Visual Recognition Training with Synthetic Images
University of Wisconsin-Madison(威斯康星大学麦迪逊分校);Meta
本文提出一种无需生成式微调的新框架,利用现成生成模型、LLM和CLIP解决类别歧义、多样性和领域偏移,通过上下文与风格多样化方法,将合成数据扩展至ImageNet的6倍,持续提升识别性能并增强域外泛化。
2025-01-21 cs.AI cs.CV cs.LG
Towards a Theoretical Understanding of Synthetic Data in LLM Post-Training: A Reverse-Bottleneck Perspective
本文从反向瓶颈视角对LLM后训练中的合成数据进行理论建模,提出基于互信息的泛化增益(GGMI)概念,揭示信息增益与泛化能力的关系,为合成数据生成与后训练优化提供理论指导。
2025-02-06 cs.AI cs.CL cs.LG
Introducing a Family of Synthetic Datasets for Research on Bias in Machine Learning
University College Dublin(都柏林大学学院)
机器学习(ML)中偏见研究进展的一个重大障碍是相关数据集的可用性。鉴于此类数据的敏感性,这种情况不太可能发生太大变化。因此,合成数据在本研究中具有重要作用。在这篇简短的论文中,我们提出了这样一个家庭的合成数据集。我们提供了一个数据的概述,描述了如何可以改变的偏见的水平,并提出了一个简单的例子,对数据的实验。
2021-08-03 cs.CR cs.LG stat.ML
Post-processing Private Synthetic Data for Improving Utility on Selected Measures
MIT-IBM Watson AI Lab(麻省理工学院-IBM沃森人工智能实验室)
针对私有合成数据生成算法忽略下游任务需求的问题,提出一种基于随机一阶算法寻找最优重采样权重的后处理技术,在保留强隐私保证与数据集质量的同时,有效提升了合成数据在用户选定度量上的效用。
2023-10-19 cs.CR cs.DB cs.IT
Learning Topology from Synthetic Data for Unsupervised Depth Completion
University of California, Los Angeles(加州大学洛杉矶分校)
我们提出了一种从图像和稀疏深度测量推断密集深度图的方法,该方法利用合成数据来学习稀疏点云与密集自然形状的关联,并使用图像作为证据来验证预测的深度图。我们针对自然形状的学习先验仅使用稀疏深度作为输入,而不是图像,因此当尝试将学习模型从合成数据转换为真实数据时,该方法不受协变量偏移的影响。这使我们能够使用大量的合成数据与地面真理学习重建过程中最困难的组成部分,这是拓扑估计,并使用图像来完善基于光度证据的预测。我们的方法比以前的方法使用更少的参数,但在室内和室外基准数据集上都达到了最先进的水平。代码可在:https://github.com/alexklwong/learning-topology-synthetic-data获得。
2021-08-24 cs.CV cs.LG cs.RO
TAPAS: a Toolbox for Adversarial Privacy Auditing of Synthetic Data
The Alan Turing Institute(艾伦·图灵研究所);The Office for National Statistics(英国国家统计局);University of Oxford(牛津大学);University of Glasgow(格拉斯哥大学);University of Edinburgh(爱丁堡大学)
大规模收集的个人数据有望改善决策并加速创新。然而,共享和使用这些数据会引发严重的隐私问题。一个有希望的解决方案是产生合成数据,人工记录来共享,而不是真实数据。由于合成记录与真实的人没有联系,这直观地防止了经典的重新识别攻击。但这不足以保护隐私。我们在这里提出了TAPAS,一个工具箱的攻击评估合成数据隐私下的各种情况。这些攻击包括以前的作品和新的攻击的概括。我们还介绍了一个一般的框架,推理隐私威胁的合成数据和展示TAPAS的几个例子。
2022-11-12 cs.AI cs.CR cs.LG
Human Voice Pitch Estimation: A Convolutional Network with Auto-Labeled and Synthetic Data
本文提出一种面向无伴奏合唱人声音高提取的卷积神经网络,通过融合合成数据与自动标注音频训练,并在多类数据集上验证其有效性。
2023-12-17 cs.LG cs.SD eess.AS
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
PSP-HDRI$+$: A Synthetic Dataset Generator for Pre-Training of Human-Centric Computer Vision Models
Unity Technologies(优必选科技(Unity科技))
我们介绍了一种新的合成数据生成器PSP-HDRI $+$,它被证明是ImageNet和其他大规模合成数据的优秀预训练替代方案。我们证明,使用我们的合成数据进行预训练将产生一个更通用的模型,即使在分布外(OOD)集上进行测试时,该模型也比其他模型表现得更好。此外,使用消融研究指导下的人的关键点估计指标与现成的模型架构,我们展示了如何操纵我们的合成数据发生器,以进一步提高模型性能。
2022-07-11 cs.AI cs.CV cs.DB
Synthetic Boost: Leveraging Synthetic Data for Enhanced Vision-Language Segmentation in Echocardiography
Nepal Applied Mathematics and Informatics Institute for research (NAAMII)(尼泊尔应用数学与信息学研究所(NAAMII))
针对超声心动图数据不足制约视觉-语言分割模型训练的问题,本研究利用语义扩散模型生成的合成数据预训练模型,再用真实数据微调,有效提升了分割指标与收敛速度。
2023-09-22 cs.AI cs.CL cs.CV
Differentially Private Algorithms for Synthetic Power System Datasets
Massachusetts Institute of Technology(麻省理工学院);MIT Energy Initiative(麻省理工学院能源倡议)
虽然电力系统研究依赖于真实世界网络数据集的可用性,但数据所有者(例如,系统运营商)由于安全和隐私风险而对共享数据犹豫不决。为了控制这些风险,我们开发了隐私保护算法,用于优化和机器学习数据集的合成生成。以真实世界的数据集作为输入,算法输出其嘈杂的合成版本,这保留了特定下游模型甚至大量模型上真实数据的准确性。我们使用拉普拉斯和指数机制的差分隐私和保护数据的准确性,使用后处理凸优化的隐私损失控制。我们应用该算法生成综合网络参数和风电数据。
2023-03-20 cs.CR cs.DS cs.LG