সিন্থেটিক ডেটা জেনারেটরের উপযোগিতা এবং সাদৃশ্য মূল্যায়ন: একটি প্রযুক্তিগত গভীর ডুব এবং তুলনামূলক বিশ্লেষণ

তুলনামূলক বিশ্লেষণটি সিন্থো ইঞ্জিন এবং SDV মডেল সহ সমস্ত মডেল জুড়ে একটি প্রমিত মূল্যায়নমূলক কাঠামো এবং অভিন্ন পরীক্ষার কৌশল ব্যবহার করে পরিচালিত হয়েছিল। অভিন্ন উত্স থেকে ডেটাসেটগুলি সংশ্লেষিত করে এবং একই পরিসংখ্যানগত পরীক্ষা এবং মেশিন লার্নিং মডেল মূল্যায়নের সাপেক্ষে, আমরা একটি ন্যায্য এবং নিরপেক্ষ তুলনা নিশ্চিত করি। উপরে উপস্থাপিত মেট্রিক্সের পরিসীমা জুড়ে প্রতিটি সিন্থেটিক ডেটা জেনারেটরের কার্যক্ষমতার বিবরণ অনুসরণ করে এমন বিভাগটি।  

মূল্যায়নের জন্য ব্যবহৃত ডেটাসেটের জন্য, আমরা ব্যবহার করেছি UCI প্রাপ্তবয়স্কদের সেন্সাস ডেটাসেট যা মেশিন লার্নিং সম্প্রদায়ের একটি সুপরিচিত ডেটাসেট। আমরা সমস্ত প্রশিক্ষণের আগে ডেটা পরিষ্কার করেছি এবং তারপরে ডেটাসেটটিকে দুটি সেটে বিভক্ত করেছি (একটি প্রশিক্ষণ এবং পরীক্ষার জন্য একটি হোল্ডআউট সেট)। আমরা প্রতিটি মডেলের সাথে 1 মিলিয়ন নতুন ডেটাপয়েন্ট তৈরি করতে প্রশিক্ষণ সেট ব্যবহার করেছি এবং এই উৎপন্ন ডেটাসেটের বিভিন্ন মেট্রিক্স মূল্যায়ন করেছি। আরও মেশিন লার্নিং মূল্যায়নের জন্য, আমরা TSTR এবং TRTS-এর মতো মেট্রিক্সের মূল্যায়ন করতে হোল্ডআউট সেট ব্যবহার করেছি।  

প্রতিটি জেনারেটর ডিফল্ট পরামিতি দিয়ে চালানো হয়েছিল। যেহেতু কিছু মডেল, যেমন Syntho, যেকোনো ট্যাবুলার ডেটাতে বাক্সের বাইরে কাজ করতে পারে, কোনো সূক্ষ্ম টিউনিং করা হয়নি। প্রতিটি মডেলের জন্য সঠিক হাইপারপ্যারামিটারগুলি অনুসন্ধান করতে একটি উল্লেখযোগ্য পরিমাণ সময় লাগবে, এবং সারণী 2 ইতিমধ্যেই সিনথোর মডেল এবং এর বিরুদ্ধে পরীক্ষিত মডেলগুলির মধ্যে একটি বড় সময়ের পার্থক্য দেখায়৷ 

এটি লক্ষণীয় যে SDV-এর বাকি মডেলগুলির বিপরীতে, গাউসিয়ান কপুলা সিন্থেসাইজার পরিসংখ্যানগত পদ্ধতির উপর ভিত্তি করে। বিপরীতে, বাকিগুলি জেনারেটিভ অ্যাডভারসারিয়াল নেটওয়ার্ক (GAN) মডেল এবং বৈচিত্রপূর্ণ অটো-এনকোডারগুলির মতো নিউরাল নেটওয়ার্কগুলির উপর ভিত্তি করে। এই কারণেই গাউসিয়ান কপুলাকে আলোচিত সমস্ত মডেলের জন্য একটি বেসলাইন হিসাবে দেখা যেতে পারে।