SYNC：一种基于Copula的聚合源合成数据生成框架

合成数据集是以程序化方式生成的数据对象，当直接收集数据困难或成本高昂时，从多个来源创建单一数据集可能很有价值。尽管这是许多数据科学任务的基础步骤，但目前缺乏高效且标准的框架。本文研究一种特定的合成数据生成任务——降尺度（downscaling），即从多个低分辨率、易收集的来源推断高分辨率、难收集的信息（例如个体级记录），并提出一个名为SYNC（基于高斯Copula的合成数据生成，Synthetic Data Generation via Gaussian Copula）的多阶段框架。对于给定的低分辨率数据集，SYNC的核心思想是对每个低分辨率数据集拟合高斯Copula模型，以正确捕捉依赖关系和边际分布，然后从拟合模型中采样以获得所需的高分辨率子集。随后使用预测模型将采样子集合并为一个，最后根据低分辨率边际约束对采样数据集进行缩放。我们在本工作中做出四项关键贡献：1）通过结合最先进的机器学习和统计技术，提出一种从聚合数据源生成个体级数据的新框架；2）进行模拟研究以验证SYNC作为合成数据生成算法的性能；3）通过两个真实世界数据集展示其作为特征工程工具的价值，以及在收集困难情况下作为数据收集替代方案的价值；4）发布易于使用的框架实现，以在生产级别实现可复现性和可扩展性，并能轻松整合新数据。