用于环境监测的合成数据生成与质量评估的差异化方法

《Data》：A Differential Approach to the Generation and Quality Assessment of Synthetic Data for Environmental Monitoring

　　

摘要

由于获取原始地球化学数据成本高昂，高质量的合成数据集对环境监测而言至关重要。然而，在样本量有限的条件下，用于生成式框架的选择标准仍不明确。本研究使用包含25种经过对数变换的元素的实证地球化学数据集（N = 297），评估了两种架构——基于深度学习的表格变分自编码器（TVAE）和参数化高斯copula。通过边际分布一致性（KSComplement）、相关性保持度（CorrelationSimilarity）、隐私性（LogisticDetection）以及综合质量评分来衡量合成数据的质量，同时还结合了散度指标和对稀土元素（REE+Th+U）的子群分析。在该数据集中，高斯copula在全局相关性保持方面表现更佳（CorrelationSimilarity：0.9633 vs. 0.9482），尤其是在弱到中等程度的依赖关系上。相反，TVAE在再现边际分布方面表现更好（KSComplement：0.8742 vs. 0.8596），能更好地保持局部相关性（MAD：0.0728 vs. 0.1196），且隐私性也更高（LogisticDetection：0.5757 vs. 0.3063）。这些互补的特性表明，在这项案例研究中，高斯copula可能更适合用于依赖关系建模，而TVAE则更适于安全地传播开放数据。需要通过更多数据集进行验证，以确定这些结论的普适性。