合成数据生成可视化实验室
从数据饥渴到数据丰饶——把2026年AI如何生成高质量训练数据来突破数据瓶颈的核心机制以可交互SVG呈现。
01
合成数据全景
合成数据三大来源：生成模型(GAN/Diffusion)学习真实分布、程序化生成(规则/仿真)按逻辑构造、数据增强(变换/混合)扩展已有数据。
生成模型
GAN / Diffusion / VAE
学习真实数据分布后采样
程序化生成
规则引擎 / 物理仿真
按定义逻辑构造数据
数据增强
变换 / 混合 / Mixup
扩展现有数据多样性
02
表格数据合成
CTGAN/TabDDPM/TVAE 学习真实表格数据分布，生成合成表格，通过统计保真度验证分布匹配。
03
图像数据合成
Diffusion 模型生成训练图像：类别条件生成、布局控制、风格变换、数据增强全流程管线。
04
文本数据合成
LLM 合成训练文本：种子提示 → Self-Instruct 自举 → Evol-Instruct 进化 → 质量过滤，构建指令微调数据集。
05
合成数据质量评估
评估三维度：保真度(统计相似)、效用度(下游任务表现)、隐私度(泄露风险)。用雷达图展示合成数据综合质量。
保真度
--
统计分布相似性
效用度
--
下游任务表现
隐私度
--
隐私泄露风险
06
隐私保护合成
差分隐私(DP)合成数据：真实数据 → DP生成模型 → 合成数据 → 隐私保证。调整隐私预算ε观察隐私-效用权衡。
隐私保证
--
(ε, δ)-DP
数据效用
--
下游任务准确率
噪声水平
--
添加噪声量
07
场景仿真合成
仿真环境生成数据：3D场景构建 → 传感器模拟(相机/雷达/激光雷达) → 标注自动生成 → 域适应，用于自动驾驶等场景。
08
应用场景矩阵
合成数据应用：医疗(隐私保护)、自动驾驶(边缘场景)、金融(欺诈检测)、NLP(低资源语言)、视觉(长尾类别)、测试(系统验证)。