趋近智
评估合成数据质量：高级方法
章节 1: 合成数据评估的基本原理
定义数据质量的维度
评估生成数据的挑战
保真度、实用性与隐私的权衡
评估指标分类体系
建立评估环境
章节 2: 进阶统计保真度评估
多变量分布比较
分布相似性的假设检验
相关性和协方差结构分析
信息论度量
倾向得分评估
动手实践：实现多变量检验
章节 3: 评估机器学习效用
合成数据训练-真实数据测试 (TSTR) 方法
训练-真实-测试-合成 (TRTS) 方法
比较下游模型性能指标
评估特征重要性一致性
超参数优化带来的影响
动手实践：运行TSTR评估
章节 4: 隐私评估方法
了解合成数据中的隐私风险
成员推断攻击 (MIAs)
属性推断攻击
基于距离的隐私度量
差分隐私考量（如适用）
实践操作：实现一个基本的成员推断攻击
章节 5: 专用和模型特定评估指标
评估合成图像：FID、IS、精确率、召回率
评估合成文本：困惑度、BLEU分数
评估合成时间序列数据
生成对抗网络（GAN）评估指标
VAE评估指标
动手操作：图像数据FID计算
章节 6: 构建全面的评估报告
为任务选择合适的衡量标准
自动化评估管线
有效地呈现评估结果
解读与沟通评估结果
比较不同合成数据集的性能
实践：生成质量报告片段
相关性和协方差结构分析
这部分内容有帮助吗？
- SDGym: A Benchmark for Evaluating Synthetic Data Generators, João Miguel Santos, António G. C. F. F. N. De Azevedo, Sara H. Gutfreund, Afonso Veiga, Tomás Lopes, 2021 Proceedings of the 27th ACM SIGKDD Conference on Knowledge Discovery & Data Mining (ACM) DOI: 10.1145/3447548.3467261 - 提供了一个评估合成数据生成器的基准框架，直接展示了相关性比较等保真度指标的实际应用。
- The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Trevor Hastie, Robert Tibshirani, Jerome Friedman, 2009 (Springer) - 统计学习的奠基性著作，为理解数据中的线性和非线性依赖关系及其对统计保真度的影响提供了更广阔的视角。