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
属性推断攻击
这部分内容有帮助吗？
- The Algorithmic Foundations of Differential Privacy, Cynthia Dwork, Aaron Roth, 2014 Foundations and Trends® in Theoretical Computer Science, Vol. 9 (Now Publishers Inc.) DOI: 10.1561/0400000042 - 关于差分隐私的权威著作，阐释了数据发布中抵御各种推断攻击的理论原理。