为合成数据辩护

合成数据集长期被视为二流的，仅在无法直接采集自真实世界的“真实”数据不可用时才使用。但这一观点假定原始数据是干净、无偏且可信的，而事实很少如此。此外，在任何涉及人的领域中，合成数据在隐私保护和偏差校正方面的益处正变得愈发重要。经过筛选的合成数据集——由对真实数据的极小扰动派生出的合成数据——支持早期产品开发与协作，保护隐私，提供可复现性，增加研究中的数据集多样性，并保护弱势群体制止基于反映系统性歧视的原始数据的问题推断。本文认为，恰当生成的合成数据并非偏离世界真实状态，而是迈向负责任且公平的机器学习系统研发的一步。