論文の概要: FEST: A Unified Framework for Evaluating Synthetic Tabular Data

• arxiv url: http://arxiv.org/abs/2508.16254v1
• Date: Fri, 22 Aug 2025 09:38:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-25 16:42:36.341838
• Title: FEST: A Unified Framework for Evaluating Synthetic Tabular Data
• Title（参考訳）: FEST: 合成語彙データを評価するための統一フレームワーク
• Authors: Weijie Niu, Alberto Huertas Celdran, Karoline Siarsky, Burkhard Stiller,
• Abstract要約: FESTは、合成データにおけるプライバシ保護とデータユーティリティのバランスを評価するためのフレームワークである。 FESTは、さまざまなプライバシメトリクス(アタックベースと距離ベース)と、類似性とマシンラーニングユーティリティメトリクスを統合している。 オープンソースPythonベースのライブラリとしてFESTを開発し、複数のデータセット上で検証する。
• 参考スコア（独自算出の注目度）: 1.7710455260789109
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Synthetic data generation, leveraging generative machine learning techniques, offers a promising approach to mitigating privacy concerns associated with real-world data usage. Synthetic data closely resembles real-world data while maintaining strong privacy guarantees. However, a comprehensive assessment framework is still missing in the evaluation of synthetic data generation, especially when considering the balance between privacy preservation and data utility in synthetic data. This research bridges this gap by proposing FEST, a systematic framework for evaluating synthetic tabular data. FEST integrates diverse privacy metrics (attack-based and distance-based), along with similarity and machine learning utility metrics, to provide a holistic assessment. We develop FEST as an open-source Python-based library and validate it on multiple datasets, demonstrating its effectiveness in analyzing the privacy-utility trade-off of different synthetic data generation models. The source code of FEST is available on Github.
• Abstract（参考訳）: 生成機械学習技術を活用した合成データ生成は、現実のデータ使用に関するプライバシー上の懸念を軽減するための有望なアプローチを提供する。 合成データは、強力なプライバシー保証を維持しながら、現実世界のデータによく似ている。 しかし、特に合成データにおけるプライバシー保護とデータユーティリティのバランスを考慮すると、総合的なアセスメントフレームワークは、合成データ生成の評価に依然として欠落している。 この研究は、合成表データを評価するための体系的なフレームワークであるFESTを提案することによって、このギャップを埋める。 FESTは、さまざまなプライバシメトリクス(アタックベースと距離ベース)と、類似性とマシンラーニングユーティリティメトリクスを統合して、全体的な評価を提供する。 オープンソースPythonベースのライブラリとしてFESTを開発し、複数のデータセット上で検証し、異なる合成データ生成モデルのプライバシユーティリティトレードオフを分析する効果を実証する。 FESTのソースコードはGithubで公開されている。

関連論文リスト

• SynthEval: A Framework for Detailed Utility and Privacy Evaluation of Tabular Synthetic Data [3.360001542033098]
  SynthEvalは、合成データのための新しいオープンソース評価フレームワークである。 特別な種類の前処理ステップを仮定することなく、分類的および数値的な属性を同等のケアで扱う。 我々のツールは統計的および機械学習技術を利用して、合成データの忠実度とプライバシー保護の整合性を包括的に評価する。
  論文  参考訳（メタデータ） (2024-04-24T11:49:09Z)
• A Multi-Faceted Evaluation Framework for Assessing Synthetic Data Generated by Large Language Models [3.672850225066168]
  生成AIと大規模言語モデル(LLM)は、合成データを生成するための新たな道を開いた。 潜在的なメリットにもかかわらず、プライバシー漏洩に関する懸念が浮上している。 我々は,合成表データの忠実さ,有用性,およびプライバシー保護を評価するために設計されたオープンソースの評価フレームワークであるSynEvalを紹介する。
  論文  参考訳（メタデータ） (2024-04-20T08:08:28Z)
• 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)
• Statistical properties and privacy guarantees of an original distance-based fully synthetic data generation method [0.0]
  この研究は、多段階のフレームワークを用いて、公開リリース可能な合成データを生成する技術的実現可能性を示す。 新たな多段階合成データ生成フレームワークを用いて生成したデータの質を評価することで,Open-CESPイニシアチブの技術的,概念的健全性を実証した。
  論文  参考訳（メタデータ） (2023-10-10T12:29:57Z)
• TSGM: A Flexible Framework for Generative Modeling of Synthetic Time Series [61.436361263605114]
  時系列データは、研究者と産業組織間のデータの共有を妨げるため、しばしば不足または非常に敏感である。 本稿では,合成時系列の生成モデリングのためのオープンソースフレームワークである時系列生成モデリング(TSGM)を紹介する。
  論文  参考訳（メタデータ） (2023-05-19T10:11:21Z)
• Auditing and Generating Synthetic Data with Controllable Trust Trade-offs [54.262044436203965]
  合成データセットとAIモデルを包括的に評価する総合監査フレームワークを導入する。 バイアスや差別の防止、ソースデータへの忠実性の確保、実用性、堅牢性、プライバシ保護などに焦点を当てている。 多様なユースケースにまたがる様々な生成モデルを監査することにより,フレームワークの有効性を実証する。
  論文  参考訳（メタデータ） (2023-04-21T09:03:18Z)
• Synthcity: facilitating innovative use cases of synthetic data in different data modalities [86.52703093858631]
  Synthcityは、MLフェアネス、プライバシ、拡張における合成データの革新的なユースケースのための、オープンソースのソフトウェアパッケージである。 Synthcityは、実践者に対して、合成データにおける最先端の研究とツールへの単一のアクセスポイントを提供する。
  論文  参考訳（メタデータ） (2023-01-18T14:49:54Z)

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。