論文の概要: Reimagining Synthetic Tabular Data Generation through Data-Centric AI: A
Comprehensive Benchmark
- arxiv url: http://arxiv.org/abs/2310.16981v1
- Date: Wed, 25 Oct 2023 20:32:02 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-27 23:23:05.312472
- Title: Reimagining Synthetic Tabular Data Generation through Data-Centric AI: A
Comprehensive Benchmark
- Title(参考訳): データセントリックaiによる合成表データ生成の再考:総合ベンチマーク
- Authors: Lasse Hansen, Nabeel Seedat, Mihaela van der Schaar, Andrija Petrovic
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 56.8042116967334
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Synthetic data serves as an alternative in training machine learning models,
particularly when real-world data is limited or inaccessible. However, ensuring
that synthetic data mirrors the complex nuances of real-world data is a
challenging task. This paper addresses this issue by exploring the potential of
integrating data-centric AI techniques which profile the data to guide the
synthetic data generation process. Moreover, we shed light on the often ignored
consequences of neglecting these data profiles during synthetic data generation
-- despite seemingly high statistical fidelity. Subsequently, we propose a
novel framework to evaluate the integration of data profiles to guide the
creation of more representative synthetic data. In an empirical study, we
evaluate the performance of five state-of-the-art models for tabular data
generation on eleven distinct tabular datasets. The findings offer critical
insights into the successes and limitations of current synthetic data
generation techniques. Finally, we provide practical recommendations for
integrating data-centric insights into the synthetic data generation process,
with a specific focus on classification performance, model selection, and
feature selection. This study aims to reevaluate conventional approaches to
synthetic data generation and promote the application of data-centric AI
techniques in improving the quality and effectiveness of synthetic data.
- Abstract(参考訳): 合成データは、特に実世界のデータが制限されたり、アクセスできない場合に、機械学習モデルをトレーニングする際の代替となる。
しかし、合成データが実際の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、難しい課題である。
本稿では、合成データ生成プロセスのガイドとしてデータをプロファイルするデータ中心のAI技術を統合する可能性を探ることで、この問題に対処する。
さらに、統計的忠実度が高いように見えるにもかかわらず、合成データ生成中にこれらのデータプロファイルを無視することによる、しばしば無視される結果にも光を当てた。
次に,より代表的な合成データの作成を導くために,データプロファイルの統合を評価するための新しいフレームワークを提案する。
本研究では,11個の表状データセット上での表状データ生成のための5つの最先端モデルの性能評価を行った。
この発見は、現在の合成データ生成技術の成功と限界に関する重要な洞察を提供する。
最後に,データ中心の洞察を合成データ生成プロセスに統合する実践的な推奨を行い,分類性能,モデル選択,特徴選択に特化している。
本研究では、合成データ生成における従来の手法を再評価し、合成データの品質と有効性を改善するためのデータ中心AI技術の適用を促進することを目的とする。
関連論文リスト
- 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) - Does Synthetic Data Make Large Language Models More Efficient? [0.0]
本稿では,NLPにおける合成データ生成のニュアンスについて考察する。
データ拡張の可能性や構造化品種の導入など、その利点を強調します。
テンプレートベースの合成データが現代の変圧器モデルの性能に与える影響を実証する。
論文 参考訳(メタデータ) (2023-10-11T19:16:09Z) - Exploring the Potential of AI-Generated Synthetic Datasets: A Case Study
on Telematics Data with ChatGPT [0.0]
この研究は、OpenAIの強力な言語モデルであるChatGPTを活用して、特にテレマティクス分野における合成データセットの構築と利用に力を入れている。
このデータ作成プロセスを説明するために、合成テレマティクスデータセットの生成に焦点を当てたハンズオンケーススタディが実施されている。
論文 参考訳(メタデータ) (2023-06-23T15:15:13Z) - 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) - 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) - TRoVE: Transforming Road Scene Datasets into Photorealistic Virtual
Environments [84.6017003787244]
本研究では、シミュレーションデータセットに存在する困難とドメインギャップに対処する合成データ生成パイプラインを提案する。
既存のデータセットからアノテーションや視覚的手がかりを利用すれば、自動マルチモーダルデータ生成が容易になることを示す。
論文 参考訳(メタデータ) (2022-08-16T20:46:08Z) - Delving into High-Quality Synthetic Face Occlusion Segmentation Datasets [83.749895930242]
そこで本研究では,高品質な自然主義的合成隠蔽顔を製造するための2つの手法を提案する。
両手法の有効性とロバスト性を実証的に示す。
我々は,RealOccとRealOcc-Wildという,微細なアノテーションを付加した高精細な実世界の顔データセットを2つ提示する。
論文 参考訳(メタデータ) (2022-05-12T17:03:57Z) - Foundations of Bayesian Learning from Synthetic Data [1.6249267147413522]
我々はベイズパラダイムを用いて、合成データから学習する際のモデルパラメータの更新を特徴付ける。
ベイジアン・アップデートの最近の成果は、決定理論に基づく新しい、堅牢な合成学習のアプローチを支持している。
論文 参考訳(メタデータ) (2020-11-16T21:49:17Z) - Partially Conditioned Generative Adversarial Networks [75.08725392017698]
Generative Adversarial Networks (GAN)は、実世界のトレーニングデータセットの基盤となる確率分布を暗黙的にモデル化することで、人工データセットを合成する。
条件付きGANとその変種の導入により、これらの手法はデータセット内の各サンプルで利用可能な補助情報に基づいて条件付きサンプルを生成するように拡張された。
本研究では,標準条件付きGANがそのようなタスクに適さないことを論じ,新たなAdversarial Networkアーキテクチャとトレーニング戦略を提案する。
論文 参考訳(メタデータ) (2020-07-06T15:59:28Z)
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。