开源合成数据SDK：实现表格数据的民主化
机器学习
2025-11-14 v2
摘要
机器学习开发严重依赖高质量数据的获取。然而，由于隐私、 Proprietary 利益及伦理顾虑日益增长，数据获取面临显著障碍。合成数据作为一种可行方案，能够在不泄露敏感信息的前提下实现安全的、广泛的数据使用。本文提出了MOSTLY AI合成数据软件开发套件(Synthetic Data SDK)，这是一款专为合成高质量表格数据而设计的开源工具包。SDK集成了鲁棒的功能，如差分隐私保证、公平性感知数据生成以及自动化质量保证，具备灵活且易用的Python接口。该SDK基于TabularARGN自回归框架，支持多样化的数据类型和复杂的多表格及序列数据集，性能具有竞争力，并在速度和可用性方面实现显著提升。目前该SDK既作为云服务交付，又可本地安装使用，已见证快速采纳，凸显其在实际中解决数据瓶颈、促进数据民主化方面的实用性。
引用
@article{arxiv.2508.00718,
title = {Democratizing Tabular Data Access with an Open$\unicode{x2013}$Source Synthetic$\unicode{x2013}$Data SDK},
author = {Ivona Krchova and Mariana Vargas Vieyra and Mario Scriminaci and Andrey Sidorenko},
journal= {arXiv preprint arXiv:2508.00718},
year = {2025}
}