論文の概要: Enabling Synthetic Data adoption in regulated domains
- arxiv url: http://arxiv.org/abs/2204.06297v1
- Date: Wed, 13 Apr 2022 10:53:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-14 12:24:46.010406
- Title: Enabling Synthetic Data adoption in regulated domains
- Title(参考訳): 規制領域における合成データ導入の実現
- Authors: Giorgio Visani, Giacomo Graffi, Mattia Alfero, Enrico Bagli, Davide
Capuzzo, Federico Chesani
- Abstract要約: Model-CentricからData-Centricへの転換は、アルゴリズムよりもデータとその品質に重点を置いている。
特に、高度に規制されたシナリオにおける情報のセンシティブな性質を考慮する必要がある。
このようなコンウンドラムをバイパスする巧妙な方法は、生成プロセスから得られたデータであるSynthetic Dataに依存し、実際のデータプロパティを学習する。
- 参考スコア(独自算出の注目度): 1.9512796489908306
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The switch from a Model-Centric to a Data-Centric mindset is putting emphasis
on data and its quality rather than algorithms, bringing forward new
challenges. In particular, the sensitive nature of the information in highly
regulated scenarios needs to be accounted for. Specific approaches to address
the privacy issue have been developed, as Privacy Enhancing Technologies.
However, they frequently cause loss of information, putting forward a crucial
trade-off among data quality and privacy. A clever way to bypass such a
conundrum relies on Synthetic Data: data obtained from a generative process,
learning the real data properties. Both Academia and Industry realized the
importance of evaluating synthetic data quality: without all-round reliable
metrics, the innovative data generation task has no proper objective function
to maximize. Despite that, the topic remains under-explored. For this reason,
we systematically catalog the important traits of synthetic data quality and
privacy, and devise a specific methodology to test them. The result is DAISYnt
(aDoption of Artificial Intelligence SYnthesis): a comprehensive suite of
advanced tests, which sets a de facto standard for synthetic data evaluation.
As a practical use-case, a variety of generative algorithms have been trained
on real-world Credit Bureau Data. The best model has been assessed, using
DAISYnt on the different synthetic replicas. Further potential uses, among
others, entail auditing and fine-tuning of generative models or ensuring high
quality of a given synthetic dataset. From a prescriptive viewpoint,
eventually, DAISYnt may pave the way to synthetic data adoption in highly
regulated domains, ranging from Finance to Healthcare, through Insurance and
Education.
- Abstract(参考訳): Model-CentricからData-Centricへの転換は、アルゴリズムよりもデータとその品質に重点を置いているため、新たな課題が持ち上がっている。
特に、高度に規制されたシナリオにおける情報の繊細な性質を考慮すべきである。
プライバシー問題に対処するための具体的なアプローチが開発されている。
しかし、それらはしばしば情報の喪失を引き起こし、データ品質とプライバシの間に重要なトレードオフをもたらす。
このようなコンウンドラムをバイパスする巧妙な方法は、生成プロセスから得られたデータであるSynthetic Dataに依存し、実際のデータプロパティを学習する。
全体的な信頼性のあるメトリクスがなければ、革新的なデータ生成タスクは、最大限にするための適切な客観的機能を持っていません。
しかし、その話題は未解決のままである。
このような理由から,我々は合成データ品質とプライバシの重要な特性を体系的に分類し,テストするための特定の方法論を考案する。
その結果、DAISYnt (Doption of Artificial Intelligence SYnthesis): 総合的な高度なテストスイートで、合成データ評価のデファクトスタンダードとなる。
実用的なユースケースとして、さまざまな生成アルゴリズムが現実世界のCredit Bureau Dataでトレーニングされている。
最良のモデルは、異なる合成レプリカ上でDAISYntを使用して評価されている。
さらに潜在的な用途としては、生成モデルの監査と微調整、あるいは与えられた合成データセットの高品質を保証することなどがある。
結局のところ、DAISYntは金融から医療、保険、教育に至るまで、高度に規制された領域におけるデータ導入の道を開くかもしれない。
関連論文リスト
- KIPPS: Knowledge infusion in Privacy Preserving Synthetic Data
Generation [0.0]
生成的ディープラーニングモデルは、ドメイン制約のある離散的および非ガウス的特徴をモデル化するのに苦労する。
生成モデルは、プライバシーリスクであるセンシティブな機能を繰り返す合成データを生成する。
本稿では,知識グラフから知識グラフにドメインと規則的知識を注入する新しいモデルKIPPSを提案する。
論文 参考訳(メタデータ) (2024-09-25T19:50:03Z) - Generation of synthetic data using breast cancer dataset and classification with resnet18 [0.0]
合成データは、実際のデータの制約、ラベル付きデータの収集のコスト、プライバシとセキュリティの問題など、さまざまな理由から必要とされる。
GAN(Generative Adversarial Networks)と呼ばれるディープラーニングモデルは,合成データを生成する目的で開発された。
本研究では,乳腺病理組織学的データセットを用いて悪性および陰性にラベル付けされた合成パッチ画像を生成する。
論文 参考訳(メタデータ) (2024-05-25T15:53:27Z) - Best Practices and Lessons Learned on Synthetic Data [83.63271573197026]
AIモデルの成功は、大規模で多様な、高品質なデータセットの可用性に依存している。
合成データは、現実世界のパターンを模倣する人工データを生成することによって、有望なソリューションとして現れてきた。
論文 参考訳(メタデータ) (2024-04-11T06:34:17Z) - Scaling While Privacy Preserving: A Comprehensive Synthetic Tabular Data
Generation and Evaluation in Learning Analytics [0.412484724941528]
プライバシーは学習分析(LA)の進歩に大きな障害となり、匿名化の不十分さやデータ誤用といった課題を提示している。
合成データは潜在的な対策として現れ、堅牢なプライバシー保護を提供する。
LAの合成データに関する以前の研究では、プライバシーとデータユーティリティの微妙なバランスを評価するのに不可欠な、徹底的な評価が欠如していた。
論文 参考訳(メタデータ) (2024-01-12T20:27:55Z) - Reimagining Synthetic Tabular Data Generation through Data-Centric AI: A
Comprehensive Benchmark [56.8042116967334]
合成データは、機械学習モデルのトレーニングの代替となる。
合成データが現実世界データの複雑なニュアンスを反映することを保証することは、難しい作業です。
本稿では,データ中心型AI技術の統合による合成データ生成プロセスのガイドの可能性について検討する。
論文 参考訳(メタデータ) (2023-10-25T20:32:02Z) - On Responsible Machine Learning Datasets with Fairness, Privacy, and Regulatory Norms [56.119374302685934]
AI技術の信頼性に関する深刻な懸念があった。
機械学習とディープラーニングのアルゴリズムは、開発に使用されるデータに大きく依存する。
本稿では,責任あるルーブリックを用いてデータセットを評価するフレームワークを提案する。
論文 参考訳(メタデータ) (2023-10-24T14:01:53Z) - The Use of Synthetic Data to Train AI Models: Opportunities and Risks
for Sustainable Development [0.6906005491572401]
本稿では,合成データの生成,利用,普及を規定する政策について検討する。
優れた合成データポリシーは、プライバシの懸念とデータの有用性のバランスを取らなければならない。
論文 参考訳(メタデータ) (2023-08-31T23:18:53Z) - Synthetic data, real errors: how (not) to publish and use synthetic data [86.65594304109567]
生成過程が下流MLタスクにどのように影響するかを示す。
本稿では、生成プロセスモデルパラメータの後方分布を近似するために、Deep Generative Ensemble (DGE)を導入する。
論文 参考訳(メタデータ) (2023-05-16T07:30:29Z) - Beyond Privacy: Navigating the Opportunities and Challenges of Synthetic
Data [91.52783572568214]
合成データは、機械学習の世界において支配的な力となり、データセットを個々のニーズに合わせて調整できる未来を約束する。
合成データのより広範な妥当性と適用のために,コミュニティが克服すべき根本的な課題について論じる。
論文 参考訳(メタデータ) (2023-04-07T16:38:40Z) - Representative & Fair Synthetic Data [68.8204255655161]
公平性制約を自己監督学習プロセスに組み込むためのフレームワークを提示する。
私たちはuci成人国勢調査データセットの代表者および公正版を作成します。
我々は、代表的かつ公正な合成データを将来有望なビルディングブロックとみなし、歴史的世界ではなく、私たちが生きようとしている世界についてアルゴリズムを教える。
論文 参考訳(メタデータ) (2021-04-07T09:19:46Z) - Really Useful Synthetic Data -- A Framework to Evaluate the Quality of
Differentially Private Synthetic Data [2.538209532048867]
プライバシ保護の原則を付加する合成データ生成の最近の進歩は、プライバシ保護の方法で統計情報を共有するための重要なステップである。
データプライバシとデータ品質のトレードオフを最適化するためには、後者について詳しく考える必要があります。
本研究では,応用研究者の視点から,差分的にプライベートな合成データの質を評価する枠組みを開発する。
論文 参考訳(メタデータ) (2020-04-16T16:24:22Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。