通过贝叶斯网络生成和分析合成数据：基于贝叶斯范式的不确定性量化稳健方法
统计方法学
2024-03-04 v2
摘要
从机密数据中安全可靠地披露信息是一个具有挑战性的统计问题。一种常见的方法是生成合成数据，以代替原始数据进行披露。有效的方法需要处理所发布数据的可靠性和机密性之间的权衡。最终目标是能够使用合成数据尽可能准确地重现原始数据的统计分析。贝叶斯网络是一种基于模型的方法，可用于简约地估计原始数据的潜在分布并生成合成数据集。这些数据集不仅应近似原始数据分析的结果，还应稳健地量化近似中涉及的不确定性。本文提出了一种完全贝叶斯方法，基于合成数据统计量的后验预测分布来生成和分析合成数据，从而实现有效的不确定性量化。该方法利用模型的概率特性，设计了一种计算高效的算法，通过蒙特卡洛方法获得目标预测分布。通过提出一类用于贝叶斯网络模型的通用惩罚先验来处理模型简约性。最后，通过模拟和真实示例对所提出方法的有效性和适用性进行了实证研究。
引用
@article{arxiv.2402.17915,
title = {Generation and analysis of synthetic data via Bayesian networks: a robust approach for uncertainty quantification via Bayesian paradigm},
author = {Larissa N. A. Martins and Flávio B. Gonçalves and Thais P. Galletti},
journal= {arXiv preprint arXiv:2402.17915},
year = {2024}
}