مصنوعی ڈیٹا جنریٹرز میں افادیت اور مشابہت کا اندازہ: ایک تکنیکی گہرا غوطہ اور تقابلی تجزیہ

تقابلی تجزیہ ایک معیاری تشخیصی فریم ورک اور تمام ماڈلز بشمول سنتھو انجن اور SDV ماڈلز میں یکساں جانچ تکنیک کا استعمال کرتے ہوئے کیا گیا تھا۔ یکساں ذرائع سے ڈیٹا سیٹس کی ترکیب کرکے اور انہیں ایک ہی شماریاتی ٹیسٹ اور مشین لرننگ ماڈل کے جائزوں سے مشروط کرکے، ہم ایک منصفانہ اور غیر جانبدارانہ موازنہ کو یقینی بناتے ہیں۔ سیکشن جو مندرجہ بالا پیش کردہ میٹرکس کی رینج میں ہر مصنوعی ڈیٹا جنریٹر کی کارکردگی کی تفصیلات دیتا ہے۔  

جہاں تک تشخیص کے لیے استعمال کیے گئے ڈیٹاسیٹ کا تعلق ہے، ہم نے استعمال کیا۔ UCI بالغوں کی مردم شماری کا ڈیٹا سیٹ جو مشین لرننگ کمیونٹی میں ایک معروف ڈیٹاسیٹ ہے۔ ہم نے تمام ٹریننگ سے پہلے ڈیٹا کو صاف کیا اور پھر ڈیٹاسیٹ کو دو سیٹوں میں تقسیم کیا (ایک ٹریننگ اور ٹیسٹنگ کے لیے ایک ہولڈ آؤٹ سیٹ)۔ ہم نے ہر ایک ماڈل کے ساتھ 1 ملین نئے ڈیٹا پوائنٹس بنانے کے لیے ٹریننگ سیٹ کا استعمال کیا اور ان تیار کردہ ڈیٹا سیٹس پر مختلف میٹرکس کا جائزہ لیا۔ مشین لرننگ کے مزید جائزوں کے لیے، ہم نے میٹرکس کی جانچ کرنے کے لیے ہولڈ آؤٹ سیٹ کا استعمال کیا جیسے کہ TSTR اور TRTS سے متعلق۔  

ہر جنریٹر کو پہلے سے طے شدہ پیرامیٹرز کے ساتھ چلایا جاتا تھا۔ جیسا کہ کچھ ماڈلز، جیسے سنتھو، کسی بھی ٹیبلر ڈیٹا پر آؤٹ آف دی باکس کام کر سکتے ہیں، کوئی ٹھیک ٹیوننگ نہیں کی گئی۔ ہر ماڈل کے لیے صحیح ہائپر پیرامیٹرس کی تلاش میں کافی وقت لگے گا، اور جدول 2 پہلے سے ہی سنتھو کے ماڈل اور اس کے خلاف آزمائے گئے ماڈل کے درمیان وقت کا بڑا فرق ظاہر کرتا ہے۔ 

یہ قابل ذکر ہے کہ SDV میں باقی ماڈلز کے برعکس، Gaussian Copula Synthesizer شماریاتی طریقوں پر مبنی ہے۔ اس کے برعکس، باقی عصبی نیٹ ورکس پر مبنی ہیں جیسے جنریٹو ایڈورسریل نیٹ ورکس (GAN) ماڈلز اور تغیراتی آٹو انکوڈرز۔ یہی وجہ ہے کہ Gaussian Copula کو زیر بحث تمام ماڈلز کے لیے ایک بنیاد کے طور پر دیکھا جا سکتا ہے۔