I risultati di questa indagine indicano che i dati sintetici, definiti come dati generati artificialmente, progettati per replicare le proprietà statistiche di dataset del mondo reale ([Jordon et al., 2018]), offrono diversi benefici tangibili e applicazioni pratiche, in particolare nei contesti del machine learning. La creazione di dati sintetici avviene comunemente tramite:
- Generazione algoritmica (es. campionamento casuale)
- Approcci basati sulla simulazione
- Modelli generativi come le GAN ([Goodfellow et al., 2014])
I risultati chiave rivelano:
- Tutela della privacy: I dataset sintetici non contengono informazioni personali o identificabili reali, il che risponde ai requisiti di conformità previsti da normative come il GDPR e l'HIPAA ([Patki et al., 2016]). Ciò consente una più ampia condivisione e collaborazione sui dati senza rischiare la privacy degli utenti.
- Disponibilità dei dati: I dati sintetici supportano lo sviluppo e l'addestramento di modelli di machine learning laddove i dati reali etichettati sono scarsi, costosi o soggetti a restrizioni. Ciò è particolarmente prezioso nel settore sanitario, finanziario e dei veicoli a guida autonoma ([Kovalchuk et al., 2021]).
- Somiglianza statistica: Se generati con tecniche moderne, i dati sintetici possono approssimare fedelmente le proprietà distribuzionali dei dati reali, consentendo un addestramento valido dei modelli senza introdurre bias significativi ([Yoon et al., 2020]).
- Scenari controllati: I dataset sintetici consentono la creazione di casi limite o eventi rari per una valutazione robusta dei modelli, scenari spesso sottorappresentati o assenti nei dataset reali.
Tra le limitazioni riscontrate vi sono:
- Potenziale di fuga di dati: Dati sintetici generati in modo inadeguato possono inavvertitamente codificare pattern che assomigliano a record reali, minando le garanzie di privacy ([Choi et al., 2017]).
- Compromessi sulla fedeltà: Spesso esiste un compromesso tra le garanzie di privacy e l'utilità dei dati sintetici; una maggiore privacy può ridurre l'utilità dei dati per l'addestramento dei modelli.
- Sfide di validazione: Garantire che i dati sintetici siano in linea con le prestazioni del mondo reale e generalizzino in modo appropriato rimane un compito non banale ([Bowen & Liu, 2021]).
In sintesi, l'analisi dimostra che i dati sintetici forniscono un mezzo pratico, rispettoso della privacy e conveniente per promuovere la ricerca e lo sviluppo basati sui dati, con best practice che richiedono un'attenta attenzione ai metodi di generazione e ai protocolli di validazione.
Riferimenti
- 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.
