一种用于机器学习的合成数据生成的组合方法

科学领域:

• 机器学习 机器学习
• 数据 隐私 数据 隐私 数据
• 合成数据生成 合成数据生成

背景情况:

• 机器学习数据集经常包含敏感的个人健康和财务信息,构成隐私风险.
• 现有的合成数据生成方法通常需要大量的样本,影响下游任务效率.
• 目前的技术包括编码数据,在潜空间中随机采样,以及解码以生成合成数据.

研究的目的:

• 开发一种高效的合成数据生成技术,尽量减少样本要求.
• 增强合成数据生成方法的隐私保护能力.
• 用合成数据提高机器学习模型的性能.

主要方法:

• 建议采用组合方法对隐性空间进行采样,重点关注隐性维度之间的t路相互作用.
• 这种方法的动机是发现模型预测通常是由有限数量的特征之间的相互作用驱动的.
• 该方法通过利用这些已识别的特征相互作用来生成合成数据样本.

主要成果:

• 与传统的随机抽样相比,组合抽样方法需要更少的合成样本来实现类似的模型性能.
• 当与差异隐私相结合时,这种方法比随机抽样显示出较小的性能退化.
• 经验结果证明了利用特征交互来有效生成合成数据的有效性.

结论:

• 拟议的组合采样方法为生成高质量的合成数据提供了更有效的替代方案.
• 这种技术在机器学习中改善了数据实用性和隐私保护之间的权衡.
• 这些发现表明,基于特征相互作用的有针对性的采样可以显著提高合成数据生成过程.