如何评估您的合成数据的真实性？给表格数据的深度生成模型设限
内容提要
该文综述深度生成模型生成合成数据的研究，重点关注表格数据，涵盖隐私敏感场景下合成数据的重要性、深度生成模型相较其他方法的优势，以及无监督学习、神经网络等基础概念，并讨论数据归一化、隐私保护和模型评估等挑战。
延伸解读
合成表格数据的隐私与效用平衡
文章指出，大量表格数据因隐私、质量和共享限制未被充分利用，而深度生成模型能在隐私敏感场景下生成合成数据。但隐私保护与数据质量存在权衡，例如通过关注机制学习可逆表格表示和差分隐私扩散模型来优化平衡。读者需注意，不同方法在隐私和效用间的取舍不同，实际应用中应根据需求调整。
深度生成模型的可识别性挑战
文章提到，当混合函数为分段仿射函数（如ReLU神经网络）时，深度生成模型在广义混合函数类中缺乏可识别性，但令人惊讶的是它们在这种情况下变得可识别。模型错误规范化会影响可识别性，而规范化技术在不提前知道潜变量数量时有助于可识别性。这提示研究者在评估合成数据真实性时，需考虑模型可识别性对生成质量的影响。
约束合成数据生成的方法进展
文章介绍了多种约束合成表格数据生成方法，如ProgSyn允许对生成数据进行全面自定义，通过预训练和微调确保高质量并满足规范；投影生成扩散模型（PGDM）通过迭代投影使生成数据遵循指定约束或物理原理。这些方法在复杂非凸约束下表现出能力，但读者需注意其适用性和计算成本，并非所有场景都适用。
Q&A
为什么表格数据在隐私敏感场景下需要合成数据生成？
因为大量的表格数据由于隐私、数据质量和数据共享限制而未完全利用，合成数据生成可以在保护隐私的同时提供可用数据。
深度生成模型相比其他方法在生成合成数据时有什么优势？
深度生成模型能够学习复杂的数据分布，并融入条件概率分布等领域知识，从而生成高质量的合成数据。
生成表格数据的深度生成模型面临哪些主要挑战？
主要挑战包括数据归一化、隐私保护和模型评估。
ProgSyn 是什么？它有什么特点？
ProgSyn 是第一个可编程的合成表格数据生成算法，允许对生成的数据进行全面自定义，通过在原始数据集上预训练并根据规范微调差分可微损失函数，确保高质量数据并满足自定义规范。
深度生成模型有哪些常见类型？
最流行的三种深度生成模型是正态化流、变分自编码器和生成对抗网络。
如何评估合成数据的真实性？
文章提到模型评估是挑战之一，但未给出具体评估方法。
