大規模な表形式ヘルスデータにおける合成データ生成の品質評価

Abstract

合成データの分野において、歴史的な疫学データのような大規模な健康データセットに対する、品質評価やベンチマークのための簡潔な指標についてコンセンサスは得られていません。本研究では主要な機械学習ファミリーに属する7つの最新モデルを評価します。これらのモデルは、規模の異なる4つの異なるデータセットを用いて評価されました。公平な比較を行うために、各データセットごとに各モデルのハイパーパラメータを系統的に調整しました。合成された同時分布の忠実度（fidelity）を評価するための手法を提案し、この手法では、単一のプロット上の可視化に合わせて指標を整合させます。この手法は任意のデータセットに適用可能であり、ドメイン固有の分析としてドイツがん登録（German Cancer Registries）の疫学データセットに対する補完的な考察も行います。その分析により、医療領域に対して厳密に従うことにモデルが直面する課題が明らかになります。本アプローチが、合成器（synthesizers）の選択を導くための基礎となる枠組みとして機能し、合成データセットの公開に関わるすべてのステークホルダーにとって利用しやすいものとなることを期待しています。