Machine Learning for Synthetic Data Generation: A Review

要約

機械学習はデータに大きく依存しますが、現実世界のアプリケーションではデータ関連のさまざまな問題が発生することがよくあります。
これらには、低品質のデータ、機械学習モデルの適合不足につながる不十分なデータポイント、プライバシー、安全性、規制に関する懸念によるデータアクセスの困難などが含まれます。
これらの課題を考慮すると、合成データ生成の概念は、実世界のデータでは容易にできない方法でのデータ共有と利用を可能にする有望な代替案として浮上しています。
この論文では、合成データを生成する目的で機械学習モデルを使用する既存の研究の包括的な系統的レビューを紹介します。
このレビューには、合成データ生成のアプリケーションから始まり、コンピューター ビジョン、音声、自然言語処理、ヘルスケア、ビジネス ドメインにわたるさまざまな観点が含まれています。
さらに、ニューラル ネットワーク アーキテクチャと深い生成モデルに特に重点を置き、さまざまな機械学習手法を探求します。
この論文では、合成データの生成に関連するプライバシーと公平性の問題の重要な側面についても取り上げています。
さらに、この研究は、この新興分野に蔓延する課題と機会を特定し、将来の研究の潜在的な道筋を明らかにします。
このペーパーは、合成データ生成の複雑さを掘り下げることで、知識の進歩に貢献し、合成データ生成におけるさらなる探求を促すことを目的としています。

要約(オリジナル)

Machine learning heavily relies on data, but real-world applications often encounter various data-related issues. These include data of poor quality, insufficient data points leading to under-fitting of machine learning models, and difficulties in data access due to concerns surrounding privacy, safety, and regulations. In light of these challenges, the concept of synthetic data generation emerges as a promising alternative that allows for data sharing and utilization in ways that real-world data cannot facilitate. This paper presents a comprehensive systematic review of existing studies that employ machine learning models for the purpose of generating synthetic data. The review encompasses various perspectives, starting with the applications of synthetic data generation, spanning computer vision, speech, natural language processing, healthcare, and business domains. Additionally, it explores different machine learning methods, with particular emphasis on neural network architectures and deep generative models. The paper also addresses the crucial aspects of privacy and fairness concerns related to synthetic data generation. Furthermore, this study identifies the challenges and opportunities prevalent in this emerging field, shedding light on the potential avenues for future research. By delving into the intricacies of synthetic data generation, this paper aims to contribute to the advancement of knowledge and inspire further exploration in synthetic data generation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google