論文の概要: An experimental study on Synthetic Tabular Data Evaluation
- arxiv url: http://arxiv.org/abs/2211.10760v1
- Date: Sat, 19 Nov 2022 18:18:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-22 21:43:06.952846
- Title: An experimental study on Synthetic Tabular Data Evaluation
- Title(参考訳): 合成表データ評価に関する実験的研究
- Authors: Javier Marin
- Abstract要約: 文献で最もよく使われているグローバルメトリクスを評価した。
本稿では,データのトポロジカルシグネチャ解析に基づく新しい手法を提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: In this paper, we present the findings of various methodologies for measuring
the similarity of synthetic data generated from tabular data samples. We
particularly apply our research to the case where the synthetic data has many
more samples than the real data. This task has a special complexity: validating
the reliability of this synthetically generated data with a much higher number
of samples than the original. We evaluated the most commonly used global
metrics found in the literature. We introduced a novel approach based on the
data's topological signature analysis. Topological data analysis has several
advantages in addressing this latter challenge. The study of qualitative
geometric information focuses on geometric properties while neglecting
quantitative distance function values. This is especially useful with
high-dimensional synthetic data where the sample size has been significantly
increased. It is comparable to introducing new data points into the data space
within the limits set by the original data. Then, in large synthetic data
spaces, points will be much more concentrated than in the original space, and
their analysis will become much more sensitive to both the metrics used and
noise. Instead, the concept of "closeness" between points is used for
qualitative geometric information. Finally, we suggest an approach based on
data Eigen vectors for evaluating the level of noise in synthetic data. This
approach can also be used to assess the similarity of original and synthetic
data.
- Abstract(参考訳): 本稿では,表データから生成された合成データの類似性を測定するための様々な手法について述べる。
特に本研究は,合成データが実データよりも多くのサンプルを持つ場合に適用する。
このタスクには特別な複雑さがあり、この合成されたデータの信頼性を元のデータよりもはるかに多くのサンプルで検証する。
文献に見られる最も一般的なグローバル指標を評価した。
我々は,データの位相的シグネチャ解析に基づく新しい手法を導入した。
トポロジカルデータ分析は後者の課題に対処する上でいくつかの利点がある。
定性的幾何情報の研究は、量的距離関数値を無視しながら幾何学的性質に焦点を当てている。
これは試料サイズが著しく増大した高次元合成データに特に有用である。
これは、元のデータによって設定された制限内でデータ空間に新しいデータポイントを導入するのに匹敵する。
そして、大規模な合成データ空間では、ポイントは元の空間よりもはるかに集中し、それらの分析は使用されるメトリクスとノイズの両方にはるかに敏感になる。
代わりに、点間の「近さ」の概念は定性的幾何学的情報に使用される。
最後に,合成データのノイズレベルを評価するために,データ固有ベクトルに基づく手法を提案する。
このアプローチは、オリジナルデータと合成データの類似性を評価するためにも使用できる。
関連論文リスト
- Preserving correlations: A statistical method for generating synthetic
data [0.0]
本稿では,統計的に代表される合成データを生成する手法を提案する。
主なゴールは、元のデータセットに存在する特徴の相関関係を合成データセットで維持できるようにすることである。
本稿では,本アルゴリズムを原データセットの解析と合成データ点の生成に用いたアルゴリズムについて詳述する。
論文 参考訳(メタデータ) (2024-03-03T10:35:46Z) - Boosting Data Analytics With Synthetic Volume Expansion [3.568650932986342]
本稿では,合成データに対する統計的手法の有効性と,合成データのプライバシーリスクについて考察する。
この枠組みにおける重要な発見は、合成データに対する統計的手法の誤差率は、より多くの合成データを追加することで減少するが、最終的には上昇または安定化する可能性があることを明らかにする世代効果である。
論文 参考訳(メタデータ) (2023-10-27T01:57:27Z) - 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) - 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) - Synthetic data generation for a longitudinal cohort study -- Evaluation,
method extension and reproduction of published data analysis results [0.32593385688760446]
医療分野では、プライバシー上の懸念から個人レベルのデータへのアクセスは困難であることが多い。
有望な代替手段は、完全な合成データの生成である。
本研究では,最先端の合成データ生成手法を用いる。
論文 参考訳(メタデータ) (2023-05-12T13:13:55Z) - Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。
特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
論文 参考訳(メタデータ) (2023-04-04T17:54:32Z) - Utility Assessment of Synthetic Data Generation Methods [0.0]
完全合成データを生成する方法が,その実用性に相違があるかどうかを考察する。
ボード上の他の方法よりもパフォーマンスがよい方法がいくつかあります。
機械学習モデルのトレーニングに合成データを使用する場合、分類タスクに対して有望な結果が得られる。
論文 参考訳(メタデータ) (2022-11-23T11:09:52Z) - BeCAPTCHA-Type: Biometric Keystroke Data Generation for Improved Bot
Detection [63.447493500066045]
本研究では,キーストローク生体データ合成のためのデータ駆動学習モデルを提案する。
提案手法は,ユニバーサルモデルとユーザ依存モデルに基づく2つの統計的手法と比較する。
実験フレームワークでは16万件の被験者から1億3600万件のキーストロークイベントのデータセットについて検討している。
論文 参考訳(メタデータ) (2022-07-27T09:26:15Z) - TabSynDex: A Universal Metric for Robust Evaluation of Synthetic Tabular
Data [11.567919812777713]
合成データのロバストな評価のための新しい普遍計量TabSynDexを提案する。
シングルスコアメトリックであるTabSynDexは、ニューラルネットワークベースのアプローチのトレーニングを観察および評価するためにも使用できる。
論文 参考訳(メタデータ) (2022-07-12T04:08:11Z) - Combining Observational and Randomized Data for Estimating Heterogeneous
Treatment Effects [82.20189909620899]
不均一な治療効果を推定することは、多くの領域において重要な問題である。
現在、現存するほとんどの作品は観測データにのみ依存している。
本稿では、大量の観測データと少量のランダム化データを組み合わせることで、不均一な処理効果を推定する。
論文 参考訳(メタデータ) (2022-02-25T18:59:54Z) - Selecting the suitable resampling strategy for imbalanced data
classification regarding dataset properties [62.997667081978825]
医学、情報検索、サイバーセキュリティ、ソーシャルメディアなどの多くのアプリケーションドメインでは、分類モデルの導入に使用されるデータセットは、各クラスのインスタンスの不平等な分布を持つことが多い。
この状況は不均衡データ分類と呼ばれ、少数民族の例では予測性能が低い。
オーバーサンプリングとアンダーサンプリングの技術は、各クラスの例の数とバランスをとることでこの問題に対処する、よく知られた戦略である。
論文 参考訳(メタデータ) (2021-12-15T18:56:39Z)
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。