MMM 与 MMMSynth：异构表格数据的聚类及合成数据生成

我们针对异构表格数据集相关的两项任务——聚类和合成数据生成——提出了新算法。表格数据集通常由各列中的异构数据类型（数值型、有序型、分类型）组成，但其行中也可能存在隐藏的簇结构：例如，它们可能来自异构（地理、社会经济、方法学）来源，从而使得它们所描述的结果变量（如疾病是否存在）不仅依赖于其他变量，还依赖于簇上下文。此外，生物医学数据的共享常受患者保密法规阻碍，当前业界对从真实数据生成合成表格数据的算法（例如通过深度学习）颇有兴趣。我们展示了一种新颖的基于 EM 的聚类算法 MMM（“Madras 混合模型”），其在确定合成异构数据中的簇方面优于标准算法，并能恢复真实数据中的结构。在此基础上，我们展示了一种合成表格数据生成算法 MMMsynth，该算法对输入数据进行预聚类，并假设输入列具有簇特定的数据分布，从而逐簇生成合成数据。我们通过测试标准机器学习（ML）算法在合成数据上训练并在真实已发布数据集上测试的性能，对该算法进行了基准评估。我们的合成数据生成算法优于文献中其他表格数据生成器，并接近仅使用真实数据训练的性能。