論文の概要: A goodness of fit approach to select the optimal visit sequence for nonparametric data synthesis

• arxiv url: http://arxiv.org/abs/2610.38559v1
• Date: Wed, 28 Oct 2026 09:55:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.390095
• Title: A goodness of fit approach to select the optimal visit sequence for nonparametric data synthesis
• Title（参考訳）: 非パラメトリックデータ合成のための最適訪問シーケンス選択のための適合的アプローチの有用性
• Abstract要約: 適合基準の良さに基づいて選択を行う新しい手法を提案し、代替構造に基づく方法よりも優れていることを示す。 提案手法は,任意の種類のデータと任意の種類の条件分布モデルに適用できるという利点もある。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Synthetic data are a promising way to maintain privacy while disseminating research data, thereby enabling compliance with the open science principles. Popular methods for generating synthetic data include sequential synthesis, where each variable is generated conditionally on the preceding ones in a given order. This order, also called the visit sequence of the synthesizer, is known to affect the quality of synthetic data. This raises the question of the criteria that should guide its choice. In this work, we present a novel method to perform such selection based on a goodness of fit criterion, and show that it outperforms alternative structure-based methods, both in terms of synthesis quality and time complexity. The proposed method also has the advantage of being applicable to any type of data and any class of conditional distribution models.
• Abstract（参考訳）: 合成データは、研究データを広めながらプライバシーを維持するための有望な方法である。 合成データを生成する一般的な方法は、各変数が所定の順序で前の変数に対して条件付きで生成される逐次合成を含む。 この順序は合成器の訪問シーケンスとも呼ばれ、合成データの質に影響を与えることが知られている。 これにより、選択を導くべき基準の疑問が提起される。 そこで本研究では, 適合基準の良さに基づく新しい選択法を提案するとともに, 合成品質と時間複雑性の両面で, 代替構造に基づく手法よりも優れていることを示す。 提案手法は,任意の種類のデータと任意の種類の条件分布モデルに適用できるという利点もある。

関連論文リスト

• Sequential versus fully conditional specification for tree-based synthesis of health data [0.0]
  オリジナルのデータの代わりに合成データを分散させることは、特に医療分野において、オープンサイエンスの原則に従ってプライバシーを強制する有望な方法である。 このような手順の一般的なクラスは、決定木によって誘導される条件分布のモデルに基づいている。 リスクユーティリティトレードオフの最適化に使用する仕様については,現時点では推奨されていない。 本研究では,条件分布のツリーモデルを組み合わせることで,両方の仕様を用いて医療データセットを合成する。
  論文  参考訳（メタデータ） (2026-10-26T10:27:15Z)
• Scaling Laws of Synthetic Data for Language Models [125.41600201811417]
  プレトレーニングコーパスを多種多様な高品質な合成データセットに変換するスケーラブルなフレームワークであるSynthLLMを紹介した。 提案手法は,グラフアルゴリズムを用いて複数の文書にまたがるハイレベルな概念を自動的に抽出し,再結合することで実現している。
  論文  参考訳（メタデータ） (2025-03-25T11:07:12Z)
• A Survey on Tabular Data Generation: Utility, Alignment, Fidelity, Privacy, and Beyond [53.56796220109518]
  異なるユースケースは、実際に有用な異なる要件を満たすために合成データを要求する。 合成データの実用性、合成データのドメイン固有の知識との整合性、実際のデータ分布と比較しての合成データ分布の統計的忠実度、プライバシ保護能力の4つの要件をレビューする。 今後の分野の方向性と、現在の評価方法を改善する機会について論じる。
  論文  参考訳（メタデータ） (2025-03-07T21:47:11Z)
• Opinion: Revisiting synthetic data classifications from a privacy perspective [42.12937192948916]
  合成データは、AI開発の増大するデータ要求を満たすための費用対効果のソリューションとして浮上している。 従来の合成データ型の分類は、合成データを生成するための絶え間なく増加する手法を反映していない。 我々は、プライバシーの観点をよりよく反映した、合成データ型をグループ化する、別のアプローチを例に挙げる。
  論文  参考訳（メタデータ） (2025-03-05T13:54:13Z)
• Tunable correlation retention: A statistical method for generating synthetic data [0.0]
  与えられたデータセットから統計的に代表的な合成データを生成する手法を提案する。 本手法の主な目的は,生成したデータに対して,原データに存在する機能間相関を模倣することである。 我々は,Pearson相関行列を用いてデータセットを,解像度と相関深さの異なるレベルと比較することにより評価した。
  論文  参考訳（メタデータ） (2024-03-03T10:35:46Z)
• 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)
• Fast and Functional Structured Data Generators Rooted in Out-of-Equilibrium Physics [44.97217246897902]
  エネルギーモデルを用いて、構造化データセットで高品質なラベル特化データを生成するという課題に対処する。 伝統的な訓練方法は、マルコフ連鎖モンテカルロ混合による困難に遭遇する。 非平衡効果を利用した新しいトレーニングアルゴリズムを用いる。
  論文  参考訳（メタデータ） (2023-07-13T15:08:44Z)
• Post-processing Private Synthetic Data for Improving Utility on Selected Measures [7.371282202708775]
  本稿では,エンドユーザが選択した尺度に関して,合成データの有用性を向上するポストプロセッシング手法を提案する。 我々のアプローチは、複数のベンチマークデータセットと最先端の合成データ生成アルゴリズムにまたがる合成データの有用性を一貫して改善する。
  論文  参考訳（メタデータ） (2023-05-24T19:49:50Z)
• 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。