综合数据

它可以支持测试、模拟或模型开发。它的价值取决于它保留的属性，并且合成并不会自动使其变得准确、具有代表性或私密性。

主要要点

• 将生成的属性与预期用途相匹配。
• 保持来源和真实/合成的区别。
• 分别评估隐私和实用性。

从目的开始。接口测试记录需要有效的形状和边缘情况；训练数据集可能需要有意义的关系和罕见的条件。适合检查表格的数据集不一定适合估计人口统计数据。记录数据的生成方式以及影响数据的真实信息。基于规则的生成、模拟、统计采样和生成模型会产生不同类型的错误。使生成的记录与数据沿袭中观察到的记录区分开来。评估特定下游任务的效用。在适当的情况下比较独立的真实世界测试集的结果，并检查子组覆盖范围。即使整体分布看起来合理，综合记录也可以放大生成器的假设或忽略不常见的情况。单独评估隐私。生成器可以从其源数据中复制信息，并且删除明显的标识符并不是普遍的隐私保证。差异隐私是一种形式框架，但其保证取决于实际的机制和参数。独立审查有关隐私和实用性的主张，而不是假设其中一个暗示另一个。

1. 创建 50 个虚构的支持票证，涵盖空消息、长消息、多种语言和重复的请求标识符。
2. 使用它们来测试界面和工作流程行为。他们精心选择的分布并没有估计真实客户遇到每个问题的频率。
3. 使用独立收集、适当管理的观察结果来进行人口索赔。

这个构建的示例识别了有效的测试用途，而无需将生成的频率作为现实世界的证据。