Mar, 2024

结构化合成表格数据的评估

PDF
TL;DR通过提出一个带有单一、数学目标的评估框架，该论文意在解决合成表格数据质量评估的问题，允许通过结构化的方式推断度量的完整性，并统一从忠实性、下游应用和基于模型的方法等多个角度出发的度量，展示了显式表达结构的合成数据生成器在小型数据集上的卓越表现。
发现论文，激发创造
  • 朝向基于原则的表格数据合成算法评估

    利用扩散模型和大型语言模型的新型综合器进行对比评估，提出了一套评估指标，旨在解决现有评估指标的局限性，并为调优提供了普遍目标，以保护数据隐私和提高合成数据的质量。

    Feb, 2024

  • 评估大型语言模型生成的合成数据的多方面评价框架

    通过引入 SynEval 评估框架，对生成的合成表格数据进行质量、实用性和隐私保护方面的综合评估，以帮助研究人员和从业者在使用合成数据时有效地确定其适用性，并强调用户隐私的重要性。

    Apr, 2024

  • 我能相信我的伪造数据吗 -- 用于医疗领域合成表格数据的全面质量评估框架

    通过综合文献回顾和团队经验，我们提出了一个概念性框架，以保证合成数据在医疗人工智能应用中的质量，并扩展了普遍质量维度，包括公平性和碳足迹，并提出了支持实际应用所必需的阶段，通过增加透明度和减少安全风险来增强对合成数据的信任，以加速可信任的医疗人工智能工具的发展和推广，促进患者受益。

    Jan, 2024

  • 一种用于表格数据的有监督生成优化方法

    合成数据生成已成为金融机构的重要课题，本研究提出了一种新的合成数据生成框架，将监督组件与元学习方法结合，为特定下游任务学习最佳混合分布的已有合成分布。

    Sep, 2023

  • SynthEval：一个用于详细评估表格化合数据的效用和隐私的框架

    合成数据评估框架 SynthEval 旨在解决机器学习中的数据稀缺性、数据公平性和数据隐私性问题，并通过统计和机器学习技术全面评估数据的准确性和隐私保护完整性。

    Apr, 2024

  • 合成表格数据生成的实用性

    研究了使用合成表格数据进行数据共享、数据增强、类别平衡和数据摘要等四种情况下，机器学习性能的表现，然而，作者得出结论认为没有足够的证据证明合成数据对于机器学习训练有用。

    Jun, 2023

  • STaSy: 基于得分的表格数据合成

    本文提出了一种名为 STaSy 的新模型和它基于评分的生成模型训练策略，在实验中，该模型在生成任务中较现有方法表现更好，提升了样本质量和多样性。

    Oct, 2022

  • 合成数据生成模型的评估框架

    通过提出一个新的评估框架，本研究旨在评估合成数据生成模型的能力以生成高质量的数据，利用统计和理论信息来比较模型的排名，并展示了该框架在两个应用场景下的实用性。

    Apr, 2024

  • 利用数据中心人工智能重塑合成表格数据生成：一项全面的基准评估

    利用数据中心人工智能技术生成代表性的合成数据，以改进传统的合成数据生成方法，并促进其在提高合成数据质量和效果方面的应用。

    Oct, 2023

  • 导航表格数据合成研究：理解用户需求和工具能力

    该研究论文综述了表格数据生成 (TDS) 的最新进展，定义了一组功能和非功能需求，并分析了满足这些需求所涉及的挑战。此外，通过评估 36 种热门 TDS 工具的性能，提供了一份决策指南来帮助用户找到适合其应用的 TDS 工具，并确定了重要的研究空白。

    May, 2024