合成表格数据生成用于类别不平衡与公平性：一项比较研究
内容提要
本研究探讨了合成数据在解决分类任务中的不平衡问题，评估了多种生成技术的有效性。结果表明，合成数据能够提升模型性能，但仍需关注偏见和公平性，尤其在数据稀缺领域，深度生成模型生成的高质量合成数据具有重要意义。
延伸解读
合成数据在公平性上的权衡
文章指出，使用合成数据训练模型时，偏见与公平之间存在权衡。不同生成技术对模型偏差的影响程度不同，且生成特征不相关的技术表现良好。这提醒实践者，在采用合成数据解决类别不平衡时，需同时评估其公平性影响，避免引入新的偏见。
生成技术效果差异明显
研究评估了SMOTE、ADASYN、GAN等多种合成数据生成技术，发现它们在数据共享、增强、类别平衡等应用中的效果不一。例如，有研究认为合成数据对机器学习训练有用的证据不足，而基于LLM的方法在多个数据集上表现更优。因此，选择技术时需结合具体任务和数据特性。
评估指标与验证需求
随着生成模型在多个领域的应用增加，评估真实数据与合成数据相似性需要稳健且标准化的验证指标。文章提到使用KL散度和JS散度等发散度量来量化差异。缺乏统一指标可能导致对合成数据质量的误判，影响后续模型性能与公平性。
数据稀缺领域的应用潜力
深度生成模型（如变分自编码器和生成对抗网络）能生成逼真可靠的合成表格数据，特别适用于数据稀缺的领域，如卫生保健和金融。通过迁移学习和元学习引入归纳偏差，可提升合成数据质量，JS散度相对收益可达50%。这为低资源环境提供了新的解决思路。
Q&A
合成数据如何解决分类任务中的不平衡问题？
合成数据通过生成额外的样本来平衡类别，从而提高分类模型在低资源环境下的性能。
研究中评估了哪些合成数据生成技术？
研究评估了SMOTE、ADASYN和GAN等多种合成数据生成技术。
合成数据在数据稀缺领域的意义是什么？
在数据稀缺领域，合成数据能够生成高质量样本，帮助提升模型性能。
公平的扩散模型如何减轻类别不平衡问题？
公平的扩散模型通过生成平衡的敏感属性数据，有效减轻了类别不平衡，同时保持生成样本的质量。
使用大型语言模型生成合成数据的优势是什么？
使用大型语言模型生成的合成数据在多个真实数据集上表现优于现有方法，能够更好地满足目标数据集要求。
研究中提到的验证指标有什么重要性？
验证指标用于评估真实数据与合成数据之间的相似性，确保生成数据的质量和有效性。
