前几章介绍了评估合成数据质量的通用指标，这些指标侧重于统计保真度和机器学习 (machine learning)实用性，适用于多种场景。然而，合成数据生成通常针对特定数据形式（如图像或时间序列），或采用不同的生成模型架构（例如GAN或VAE），每种情况都面临独特的评估难题。通用指标可能无法捕捉与这些特定环境相关的特定属性或失效模式。

本章将介绍如何应对对定制化评估技术的需求。你将学习专门为以下方面设计的评估指标：

• 图像数据： 理解并应用诸如 Fréchet 起始距离 (FID) 和 起始分数 (IS) 等度量标准，以评估生成图像的质量和多样性。
• 文本数据： 使用自然语言处理中常用的指标，例如困惑度（Perplexity）和BLEU分数，来评估合成文本。
• 时间序列数据： 评估时间依赖性、自相关性以及其他动态特性保留情况的方法。
• 特定生成模型： 研究常与GAN相关的指标（例如与判别器性能相关的）和VAE相关的指标（例如重建损失、潜在空间的属性）。

在本章结束时，你将能够选择并应用合适的专用指标，以更好地了解针对特定应用或由特定模型类型生成的合成数据质量。