Синтетические данные: можно ли создать полезные данные до того, как они появятся?

Можно ли создать полезные данные до того, как они появятся? Синтетические данные могут помочь, но только если они пройдут четыре проверки. 🔔 Подпишитесь на меня в LinkedIn, чтобы получать доступ к новым урокам EvidenceLab в режиме реального времени:   / amobi-onovo-ph-d-global-health-pgdip-data-...   Синтетические данные — это не просто поддельные данные. Они искусственно генерируются для воспроизведения определенных характеристик, взаимосвязей или сценариев, необходимых для определенной цели. В этом специальном выпуске EvidenceLab мы рассмотрим, как оценить, действительно ли полезны синтетические данные, и почему данные из реального мира остаются важными. В этом видео: • Четыре теста: достоверность, полезность, конфиденциальность и справедливость • Почему сопоставление каждой переменной по отдельности не доказывает полезность • Обучение на синтетических данных, тестирование на реальных: как измеряется полезность • Почему синтетические данные не являются автоматически конфиденциальными • Синтетические данные в здравоохранении, разработке лекарств, климате, финансах и сельском хозяйстве • Почему цель определяет валидацию • Почему нам по-прежнему необходим управляемый на уровне стран, распределенный и регулируемый обмен данными из реального мира РАЗДЕЛЫ 0:00 Можем ли мы создать полезные данные до того, как получим сами данные? 0:19 Что такое синтетические данные (и что ими не являются) 0:39 Как узнать, полезны ли синтетические данные? 0:51 Тест 1: Достоверность 1:17 Тест 2: Полезность 1:43 Тест 3: Конфиденциальность 2:05 Тест 4: Справедливость 2:18 Здоровье 2:33 Разработка лекарств 3:02 Климат, финансы и сельское хозяйство 3:34 Для чего полезны? Цель определяет валидацию 3:58 Реальные и синтетические данные: прямое сравнение 4:24 Нужен ли нам по-прежнему обмен данными из реального мира? 4:59 Нам нужны и те, и другие 5:14 Ваша очередь ВАША ОЧЕРЕДЬ В каких областях синтетические данные могут принести наибольшую пользу в вашей сфере? А где следует проявлять наибольшую осторожность? Расскажите нам в комментариях. ИСТОЧНИКИ Определение: Jordon J, et al. Synthetic Data: what, why and how? Royal Society / arXiv (2022). https://arxiv.org/abs/2205.03257 Оценка синтетических данных: Alaa A, et al. How Faithful is your Synthetic Data? ICML (2022). Полезность (обучение на синтетических данных, тестирование на реальных): Esteban C, et al. arXiv:1706.02633 (2017). Конфиденциальность: Stadler T, et al. Синтетические данные: анонимизация. USENIX Security (2022). Вывод о принадлежности: Шокри Р. и др. IEEE S&P (2017). https://doi.org/10.1109/SP.2017.41 Справедливость: Ганев Г. и др. Эффекты Робин Гуда и Мэтью. ICML (2022). Здоровье: Валоноски Дж. и др. Synthea. JAMIA (2018). https://doi.org/10.1093/jamia/ocx079 Разработка лекарств: Свансон К. и др. Nature Machine Intelligence (2024). https://doi.org/10.1038/s42256-024-00... Климат: Томпсон В. и др. Nature Communications (2017). https://doi.org/10.1038/s41467-017-00... Финансы: Даль Поццоло А. и др. IEEE SSCI (2015), набор данных о мошенничестве с кредитными картами. Лопес-Рохас Э.А. и др. ПэйСим (2016). Сельское хозяйство: Ди Чикко М. и др. ИРОС (2017). https://doi.org/10.1109/IROS.2017.820... Сети передачи данных и стандарты: Рипчак Г. и др. ОХДСИ (2015). Уилкинсон, доктор медицинских наук и др. Руководящие принципы FAIR, научные данные (2016). https://doi.org/10.1038/sdata.2016.18 Диаграммы и значения метрик, помеченные как «ИЛЛЮСТРАТИВНЫЙ ПРИМЕР», являются учебными примерами, а не результатами из какого-либо набора данных. EvidenceLab | Увидеть. Понять. Запустить. Создано доктором Амоби Эндрю Оново, PhD, MPH, PGD Data Science ПОДПИСАТЬСЯ НА EVIDENCELAB Подпишитесь на меня в LinkedIn, чтобы получать доступ к урокам, обсуждениям и ресурсам EvidenceLab в режиме реального времени:   / amobi-onovo-ph-d-global-health-pgdip-data-...   #СинтетическиеДанные #НаукаОДанные #ИскусственныйИскусственныйИнтеллект