Het delen van tabelgegevens in sectoren met een hoog risico vormt vaak een uitdaging vanwege strikte privacywetgeving. Hoewel synthetische data als oplossing dienen, kampen traditionele methoden met problemen. Diepe generatieve modellen zijn vaak kostbaar in training en moeilijk te controleren, terwijl huidige benaderingen met taalmodellen records vaak als tekst behandelen. Dit kan de structurele opbouw van tabellen maskeren en onbedoeld gevoelige informatie blootleggen.
Om deze knelpunten op te lossen, hebben Jinmeng Li en collega's de Tabular Synthesis Strategy Designer (TabSSD) ontwikkeld. Volgens een publicatie op arxiv.org wijkt deze methode af van gangbare praktijken door het taalmodel niet in te zetten als producent van de records, maar als ontwerper van de syntheseprocedure zelf.
In plaats van directe analyse van ruwe gegevens, werkt het model met samenvattingen in de vorm van bomen die de afhankelijkheden tussen variabelen beschrijven. De LLM genereert op basis hiervan Python-programma's die lokaal worden uitgevoerd en geëvalueerd. Deze indirecte aanpak voorkomt dat feitelijke data direct door het taalmodel worden verwerkt, wat de privacyrisico's aanzienlijk verlaagt.
De effectiviteit van TabSSD is getest op twaalf verschillende datasets. De resultaten tonen aan dat de methode een optimaal evenwicht vindt tussen statistische getrouwheid, voorspellende bruikbaarheid en het empirische privacyrisico. In een vergelijking met tien andere methoden behaalde TabSSD de beste gemiddelde rangschikking over zes verschillende meetwaarden, zoals uiteengezet in de .
Naast de datakwaliteit biedt TabSSD technische voordelen. De methode reduceert het lokale computergebruik en het verbruik van tokens ten opzichte van alternatieven. Bovendien is er geen complexe modeltuning nodig aan de zijde van de gebruiker, wat de toegankelijkheid vergroot en ruimte laat voor menselijke bijsturing.
De inzet van deze technologie bouwt voort op de brede ontwikkeling van statistische taalmodellen. Zoals google.com uitlegt, zijn LLM's getraind op enorme hoeveelheden data en kunnen ze complexe taken uitvoeren, waaronder tekstgeneratie, vertaling en het schrijven van code. Deze modellen zijn doorgaans gebaseerd op deep learning-architecturen, zoals de Transformer-architectuur uit 2017.
De veelzijdigheid van deze modellen maakt hen geschikt voor diverse toepassingen, van chatbots tot geavanceerde redeneertaken. In het geval van TabSSD wordt deze capaciteit specifiek gebruikt voor het ontwerpen van logische procedures in Python, wat een veiliger alternatief biedt dan het direct genereren van gevoelige records.
De noodzaak voor dergelijke innovaties wordt versterkt door de toenemende risico's op datalekken. In de context van machine learning en data science worden technieken voor synthetische data steeds belangrijker om privacy te waarborgen. Volgens ibcom stelt het gebruik van synthetische data organisaties in staat om patronen te analyseren zonder de werkelijke, privacygevoelige informatie van individuen bloot te leggen.
Door zowel de infrastructuurbarrières als de vereiste expertise te verlagen, streeft TabSSD naar een transparante vorm van tabeldatasynthese. Dit maakt het proces toegankelijker en veiliger voor professionals die werken in domeinen waar privacy van cruciaal belang is.