使用全连接神经网络从高维高斯噪声合成真实世界分布
机器学习
2026-04-13 v1
摘要
在机器学习应用和研究中使用合成数据带来了许多好处，包括通过数据增强提升性能、保护原始样本的隐私以及使用完全合成数据进行可靠的方法评估。本文提出了一种基于全连接神经网络和随机化损失函数的高效时间合成数据生成方法，该方法将随机高斯分布变换以逼近目标真实世界数据集。在25个不同的表格型真实世界数据集上进行的实验证实，所提出的解决方案超越了最先进的生成方法，并且达到参考MMD分数的速度比现代深度学习解决方案快数个数量级。实验涉及分析分布相似性、评估对分类质量的影响以及使用PCA进行降维，这进一步增强了数据隐私，并可以在降低时间和内存复杂度的同时提升分类质量。
引用
@article{arxiv.2604.09091,
title = {Synthesizing real-world distributions from high-dimensional Gaussian Noise with Fully Connected Neural Network},
author = {Joanna Komorniczak},
journal= {arXiv preprint arXiv:2604.09091},
year = {2026}
}