JANUS：用于保证约束与分析不确定性的结构化双向生成

高风险的合成数据生成面临一个根本性四难问题：在保真性、对复杂逻辑约束的控制、不确定性估计的可靠性以及计算成本的效率之间同时实现。现有的深度生成模型（如 CTGAN、TabDDPM）在保真性方面表现优异，但依赖低效的拒绝抽样处理连续范围约束。相反，结构因果模型在逻辑控制方面优势显著，但在高维保真性和复杂噪声反演方面存在挑战。我们提出 JANUS（Joint Ancestral Network for Uncertainty and Synthesis，联合祖先网络用于不确定性与合成），一个将这些能力统一的框架，基于贝叶斯决策树构建的有向无环图（DAG）。我们的关键创新是逆拓扑回填（Reverse-Topological Back-filling），一种算法通过因果图向后传递约束，实现可行约束集上 100% 约束满足，无需拒绝抽样。这一方法配合从 Dirichlet 先验派生的解析不确定性分解，使不确定性估计比蒙特卡罗方法快 128 倍。在 15 个数据集和 523 种约束情景下，JANUS 实现了最新的保真性（检测分数 0.497），消除了不平衡数据中的模式坍缩，并能精确处理复杂列间约束（如 Salary_offered >= Salary_requested），在此类场景下所有基线方法均无法实现。