Datos sintéticos

Comience con el propósito. Los registros de pruebas de interfaz necesitan formas y casos extremos válidos; un conjunto de datos de entrenamiento puede necesitar relaciones significativas y condiciones raras. Un conjunto de datos adecuado para comprobar un formulario no necesariamente lo es para estimar estadísticas de población. Documente cómo se produjeron los datos y qué información real influyó en ellos. La generación basada en reglas, la simulación, el muestreo estadístico y los modelos generativos crean diferentes tipos de errores. Mantenga los registros generados distinguibles de los registros observados en el linaje de datos. Evaluar la utilidad para la tarea posterior específica. Compare los resultados en un conjunto de pruebas independientes del mundo real cuando corresponda e inspeccione la cobertura de subgrupos. Los registros sintéticos pueden amplificar las suposiciones de un generador u omitir situaciones poco comunes incluso cuando la distribución general parece plausible. Evalúe la privacidad por separado. Un generador puede reproducir información de sus datos de origen y eliminar identificadores obvios no es una garantía de privacidad universal. La privacidad diferencial es un marco formal, pero sus garantías dependen del mecanismo y los parámetros reales. Revise las afirmaciones sobre privacidad y utilidad de forma independiente en lugar de asumir que una implica la otra.