Synthetic Data · 交互式可视化 · #143
合成数据
可视化实验室
从 GAN 到 Diffusion，从表格生成到差分隐私。8 个交互式模块拆解"如何造出以假乱真、保护隐私、提升模型的数据"——生成机制、质量评估与真实/合成分布的全景。
模块 8风格 Linear Dark依赖 零渲染 SVG分类 AI/ML
01合成数据类型对比
合成数据按模态分四类：表格、图像、文本、时序。各自有不同的生成方法、隐私风险与评估指标。点击切换查看。
02GAN 数据生成流程
GAN 用生成器 G 与判别器 D 的极小极大博弈学习分布。G 把噪声映射为假样本骗过 D，D 区分真假。点击 Play 观察损失博弈。
迭代0
生成器 G loss判别器 D loss真实样本生成样本
理想收敛：G 与 D 达到纳什均衡，D≈0.5（无法区分真假）。实际常现模式崩溃（G 只生成单一样本）或训练不稳定。
03Diffusion 数据合成
扩散模型：前向过程逐步加噪到纯噪声，反向过程学习去噪还原数据。比 GAN 训练稳定、覆盖多样。拖动 t 观察加噪/去噪。
04表格数据合成 · CTAB-GAN
表格数据混合数值/类别/长尾列，CTAB-GAN 用编码器+GAN+混合编码处理。点击"生成"观察合成表格与真实表格的逐列对比。
合成行数0
关键挑战：混合类型（连续+离散+长尾）需不同编码。CTAB-GAN 用 Transformer 编码上下文，捕获列间相关性。
05隐私保护与差分隐私
合成数据可能"记住"训练样本导致隐私泄露。差分隐私 (DP) 给生成过程注入校准噪声，ε 越小隐私越强但效用越低。调节 ε 观察权衡。
隐私预算 ε
20
数据效用隐私保护重识别风险
DP 保证：数据集增删一条记录，输出分布几乎不变。ε 是隐私-效用权衡的核心旋钮——ε=1 强隐私，ε=100 接近无保护。
06合成数据质量评估
三维评估框架：Fidelity（统计保真度）、Utility（下游任务表现）、Privacy（隐私泄露）。切换不同生成器对比雷达图。
SDMetrics / SDV 框架标准化评估：列分布 KS 检验、列对相关性、训练在合成/测试在真实的TSTR 效用、最近邻隐私距离。
07数据增强策略
数据增强是"轻量合成"——对真实样本做几何/像素变换扩充数据集。切换增强类型观察图像变换，Mixup/CutMix 是跨样本合成。
Mixup = λ·x₁+(1−λ)·x₂ 线性插值；CutMix = 把 x₂ 的区域贴到 x₁。两者让决策边界更平滑，正则化效果优于单一几何变换。
08合成 vs 真实分布对比
终极检验：合成数据的边际分布与联合分布是否逼近真实。直方图重叠度 + 相关性矩阵对比。切换显示模式。
真实数据合成数据
好合成数据：边际分布 KS 统计量小，列相关性矩阵与真实一致。若合成数据相关性失真，下游 ML 性能会显著下降。