Синтетические данные посредством комбинаторной оптимизации попарных вероятностей

Генерация синтетических данных является важной областью исследований в тех областях, где реальные данные либо недоступны в требуемых объёмах, либо не могут быть использованы напрямую. Были разработаны различные методы для получения высококачественных реалистичных синтетических наборов данных, сохраняющих статистические свойства исходных данных. Современные достижения в основном ориентированы на использование нейронных сетей для захвата латентного пространства, извлекаемого из данных. В то время как недавние успехи глубинного обучения стимулируют применение этих методов в новом контексте, в данной работе предлагается наивный базовый подход к генерации синтетических данных на основе попарных вероятностей. Мы называем технику DISCO (Discrete Intersection Synthesizer through Combinatorial Optimization) — новый генератор синтетических табличных данных. DISCO моделирует данные посредством оптимизации пересечения попарных вероятностей для каждой сгенерированной строки с целью воспроизведения исходного набора данных. Наш подход сохраняет маргинальные и попарные распределения и, в результате, с высокой точностью воспроизводит исходные данные, применяя очень простой метод. Оценка на различных синтетических и реальных наборах данных, а также в задачах регрессии и классификации демонстрирует способность DISCO генерировать высококачественные данные, сопоставимые с современными моделями как по статистической точности, так и по эффективности в задачах машинного обучения.