داده‌های مصنوعی چیست؟

نتایج این تحقیق نشان می‌دهد که داده‌های مصنوعی، که به عنوان داده‌های تولید شده به صورت مصنوعی برای تکرار ویژگی‌های آماری مجموعه داده‌های دنیای واقعی طراحی شده‌اند ([Jordon et al., 2018]) تعریف می‌شوند، مزایای محسوس و کاربردهای عملی متعددی، به ویژه در زمینه‌های یادگیری ماشین، ارائه می‌دهند. ایجاد داده‌های مصنوعی معمولاً از طریق روش‌های زیر انجام می‌شود:

• تولید الگوریتمی (مثلاً نمونه‌برداری تصادفی)
• رویکردهای مبتنی بر شبیه‌سازی
• مدل‌های مولد مانند GANs ([Goodfellow et al., 2014])

یافته‌های کلیدی نشان می‌دهند:

• حفظ حریم خصوصی: مجموعه داده‌های مصنوعی هیچ اطلاعات شخصی یا قابل شناسایی واقعی ندارند، که الزامات انطباق تحت مقرراتی مانند GDPR و HIPAA ([Patki et al., 2016]) را برآورده می‌کند. این امر اشتراک‌گذاری و همکاری گسترده‌تر داده‌ها را بدون به خطر انداختن حریم خصوصی کاربران امکان‌پذیر می‌سازد.
• در دسترس بودن داده‌ها: داده‌های مصنوعی از توسعه و آموزش مدل‌های یادگیری ماشین در جایی که داده‌های برچسب‌دار واقعی کمیاب، پرهزینه یا محدود هستند، پشتیبانی می‌کند. این امر به ویژه در حوزه بهداشت و درمان، امور مالی و وسایل نقلیه خودران ارزشمند است ([Kovalchuk et al., 2021]).
• شباهت آماری: هنگامی که با تکنیک‌های مدرن تولید می‌شوند، داده‌های مصنوعی می‌توانند ویژگی‌های توزیعی داده‌های واقعی را به دقت تقریب بزنند و آموزش مدل معتبر را بدون ایجاد سوگیری قابل توجه امکان‌پذیر سازند ([Yoon et al., 2020]).
• سناریوهای کنترل‌شده: مجموعه داده‌های مصنوعی امکان ایجاد موارد مرزی یا رویدادهای نادر را برای ارزیابی قوی مدل فراهم می‌کنند—سناریوهایی که اغلب در مجموعه داده‌های واقعی کمتر نمایش داده شده یا وجود ندارند.

محدودیت‌های ذکر شده عبارتند از:

• پتانسیل نشت اطلاعات: داده‌های مصنوعی که به درستی تولید نشده‌اند ممکن است به طور ناخواسته الگوهایی شبیه به رکوردهای واقعی را کدگذاری کنند و ادعاهای مربوط به حریم خصوصی را تضعیف نمایند ([Choi et al., 2017]).
• مبادله بین وفاداری و حریم خصوصی: اغلب تعادلی بین تضمین‌های حریم خصوصی و سودمندی داده‌های مصنوعی وجود دارد؛ حریم خصوصی بالاتر می‌تواند سودمندی داده‌ها را برای آموزش مدل کاهش دهد.
• چالش‌های اعتبارسنجی: اطمینان از اینکه داده‌های مصنوعی با عملکرد دنیای واقعی همسو بوده و به درستی تعمیم می‌یابند، همچنان یک کار غیربدیهی است ([Bowen & Liu, 2021]).

به طور خلاصه، تحلیل نشان می‌دهد که داده‌های مصنوعی یک وسیله عملی، حافظ حریم خصوصی، و مقرون‌به‌صرفه برای پیشبرد تحقیقات و توسعه مبتنی بر داده فراهم می‌کند، که بهترین شیوه‌ها نیازمند توجه دقیق به روش‌های تولید و پروتکل‌های اعتبارسنجی است.

منابع

• Jordon, J., Yoon, J., & van der Schaar, M. (2018). Measuring the quality of synthetic data for use in competitions.
• Goodfellow, I. et al. (2014). Generative Adversarial Networks.
• Patki, N., Wedge, R., & Veeramachaneni, K. (2016). The Synthetic Data Vault.
• Kovalchuk, S. et al. (2021). Synthetic Data Generation for Machine Learning in Healthcare.
• Yoon, J., Jarrett, D., & van der Schaar, M. (2020). Anonymization through Data Synthesis using Generative Adversarial Networks.
• Choi, E. et al. (2017). Generating Multi-label Discrete Patient Records using Generative Adversarial Networks.
• Bowen, C., & Liu, J. (2021). A Comparative Evaluation of Synthetic Data Approaches for Machine Learning Applications.