Synthetic Data

一句话解释

合成数据是指通过计算机程序或生成模型（如GAN、扩散模型）创建的、模拟真实世界数据特征的人工数据集。它不直接来源于真实事件，却能复现真实数据的统计规律和结构。

为什么会被关注

真实数据的采集往往面临隐私合规、成本高昂、标注困难等挑战。例如医疗影像、金融交易等敏感领域，直接使用真实数据可能违反法规。合成数据可在不暴露个人隐私的前提下生成符合分布的数据，同时大幅降低数据获取成本。

此外，合成数据能解决长尾场景和罕见事件的样本不足问题。自动驾驶中“交通事故”等极端案例难以在实际道路上大量采集，合成数据可以定向生成，提升模型对罕见场景的泛化能力。

核心逻辑

合成数据生成的核心是学习真实数据的潜在分布。常见方法包括：生成对抗网络（GAN）通过生成器与判别器博弈，输出逼真样本；变分自编码器（VAE）在隐空间采样重构；扩散模型通过逐步去噪生成高质量图像。

评价合成数据质量的关键指标为“相似度”与“隐私风险”。理想情况下，合成数据能保留真实数据的关键统计特征（如相关性、边缘分布），但无法通过反向推断还原出原始个体信息，从而实现效用与隐私的平衡。

常见场景

在计算机视觉领域，合成数据被用于训练目标检测、姿态估计模型。例如合成人脸数据集可规避肖像权问题，自动驾驶仿真平台生成路况、行人、天气等组合场景，弥补真实数据的匮乏。

在自然语言处理中，合成数据用于扩充对话系统训练集、生成低资源语言的平行语料。金融风控场景中，合成交易数据可辅助反欺诈模型训练，同时避免真实交易信息泄露。医疗领域则合成匿名化电子病历用于研究。

容易混淆的点

“合成数据”常与“数据增强”混淆。数据增强是在已有真实数据上做旋转、裁剪、噪声等变换，并未创造全新样本；而合成数据从零生成，可完全脱离原始数据，但两者常结合使用以提升多样性。

另一个易混概念是“模拟数据”（Simulated Data）。模拟数据通常基于物理规则或领域知识生成（如游戏引擎渲染），而合成数据更强调对真实数据分布的统计学习，前者偏确定性，后者偏统计生成。