合成数据与真理地位的转移

合成数据的出现，既用于隐私保护，又可用于生成训练数据，或仅为便利地获取任意形态和体积的准真实数据，使得“真理”这一概念变得复杂。合成数据模仿真实世界观察，但不涉及外部特征。尽管如此，研究人员仍可将合成数据用作AI模型的训练数据和真理数据仓库。有人声称，数据真实性的缺失不仅是一种可接受的权衡，甚至常常导致比真实数据更好的模型性能：补偿已知偏见，防止过拟合，并支持模型处理意外离群值的鲁棒性。事实上，将噪声甚至完全不合理的数据注入训练集对模型有益。这极大地复杂化了基于代表性精确性决定数据保真度的常规假设（垃圾进，垃圾出）。此外，真理变得是一种自指性的事务，其作为真理数据仓库所使用的标签本身就是生成模型的合成产品，与真实世界观察相互独立。我的论文考察在此类悖论性情境下，如何在不依赖代表性和真实世界参考的稳定真理基础的情况下，引导机器学习研究者和实践者构建真理。它还将反思从代表性转向一种类似或象征性数据概念的更广泛影响。