切换语言: English | 最新 API文档 | 项目发展规划 | 加入 Wechat群组
查看 Colab 例子: 使用LLM仿真数据 | 借助LLM进行表外特征推断 | 支持十亿级数据的CTGAN
合成数据生成器(Synthetic Data Generator,SDG)是一个专注于快速生成高质量的结构化表格数据的数据组件。
合成数据(Synthetic Data)不包含任何敏感信息,但它保留了原始数据的基本特性,使其免于GDPR和ADPPA等隐私法规的约束,消除实际应用中的隐私泄露风险。
高质量的合成数据可以安全、多样化地在各种领域中使用,包括数据共享、模型训练和调试、系统开发和测试等应用。
我们很期待您的贡献,请通过这个贡献概述指南开始项目!
我们的里程碑和时间节点如下所示:
🔥 2024年11月21日:1) 模型集成 - 现在我们集成 GaussianCopula 模型到我们的 Data Processor 体系,可以查看此 PR 的代码实例; 2) 合成质量增强 - 我们做了数据列关系的自动检测,同时也提供数据列的关系指定,进一步提高合成数据保真度质量(代码实例); 3) 性能增强 - 我们大大降低 GaussianCopula 处理离散数据的内存占用,使其能在 2C4G 的配置下完成万级别的离散列数据训练!
🔥 2024年5月30日:Data Processor 模块被正式合并,该模块可以:1)可以帮助 SDG 将部分数据列(如 Datetime 类型的列)在送入模型前进行格式转换,从而避免被当作离散类型处理,对模型生成数据反向转换成原有格式;2)对各种数据类型进行更加定制化的预处理和后处理;3)轻松应对原始数据中的空值等问题;4)支持插件系统。
🔥 2024年2月20日:基于LLM的单表数据合成模型已包含,查看Colab示例:LLM:数据合成 和 LLM:表外特征推断。
🔧 2024年2月7日:SDG团队完善了 sdgx.data_models.metadata
,支持描述单表、多表的元数据信息,支持多种数据类型,支持数据类型的自动推断能力,查看Colab示例:SDG Single-Table Metadata。
🔶 2023年12月20日:v0.1.0发布,包含支持数十亿数据处理能力的CTGAN模型,查看我们的 针对 SDV 的基准,SDG 实现了更少的内存消耗并避免了训练期间的崩溃(Out of Memory),具体使用,请查看我们的Colab示例:支持十亿级数据的CTGAN。
🔆 2023年8月10日:第一行SDG代码提交。
长期以来,LLM一直被用来理解和生成各种类型的数据。 事实上,LLM在表格数据生成方面也有较强的性能。 且LLM还具有一些传统(基于GAN方法或统计方法)无法实现的能力。
我们的 sdgx.models.LLM.single_table.gpt.SingleTableGPTModel
实现了两个新功能:
无需原始训练数据,可以根据元数据生成合成数据,查看 Colab 例子。
根据表中已有的数据以及LLM掌握的知识推断表外特征,即新的列数据,查看 Colab 例子。
- 无限进步:
- 支持多种统计学数据合成算法,支持基于LLM的仿真数据生成方法;
- 为大数据场景优化,有效减少内存消耗;
- 持续跟踪学术界和工业界的最新进展,及时引入支持优秀算法和模型。
- 隐私增强:
- 提供中文敏感数据自动识别能力,包括姓名、身份证号、人名等17种常见敏感字段;
- 支持差分隐私、匿名化等方法,加强合成数据安全性。
- 易扩展:
- 支持以插件包的形式拓展模型、数据处理、数据连接器等功能。
您可以使用预构建的镜像来快速体验最新功能。
docker pull idsteam/sdgx:latest
pip install sdgx
您可以通过源码进行安装的方式使用SDG。
git clone git@github.com:hitsz-ids/synthetic-data-generator.git
pip install .
# 或者直接从git安装
pip install git+https://github.com/hitsz-ids/synthetic-data-generator.git
from sdgx.data_connectors.csv_connector import CsvConnector
from sdgx.models.ml.single_table.ctgan import CTGANSynthesizerModel
from sdgx.synthesizer import Synthesizer
from sdgx.utils import download_demo_data
# This will download demo data to ./dataset
dataset_csv = download_demo_data()
# Create data connector for csv file
data_connector = CsvConnector(path=dataset_csv)
# Initialize synthesizer, use CTGAN model
synthesizer = Synthesizer(
model=CTGANSynthesizerModel(epochs=1), # For quick demo
data_connector=data_connector,
)
# Fit the model
synthesizer.fit()
# Sample
sampled_data = synthesizer.sample(1000)
print(sampled_data)
真实数据:
>>> data_connector.read()
age workclass fnlwgt education ... capitalloss hoursperweek native-country class
0 2 State-gov 77516 Bachelors ... 0 2 United-States <=50K
1 3 Self-emp-not-inc 83311 Bachelors ... 0 0 United-States <=50K
2 2 Private 215646 HS-grad ... 0 2 United-States <=50K
3 3 Private 234721 11th ... 0 2 United-States <=50K
4 1 Private 338409 Bachelors ... 0 2 Cuba <=50K
... ... ... ... ... ... ... ... ... ...
48837 2 Private 215419 Bachelors ... 0 2 United-States <=50K
48838 4 NaN 321403 HS-grad ... 0 2 United-States <=50K
48839 2 Private 374983 Bachelors ... 0 3 United-States <=50K
48840 2 Private 83891 Bachelors ... 0 2 United-States <=50K
48841 1 Self-emp-inc 182148 Bachelors ... 0 3 United-States >50K
[48842 rows x 15 columns]
仿真数据:
>>> sampled_data
age workclass fnlwgt education ... capitalloss hoursperweek native-country class
0 1 NaN 28219 Some-college ... 0 2 Puerto-Rico <=50K
1 2 Private 250166 HS-grad ... 0 2 United-States >50K
2 2 Private 50304 HS-grad ... 0 2 United-States <=50K
3 4 Private 89318 Bachelors ... 0 2 Puerto-Rico >50K
4 1 Private 172149 Bachelors ... 0 3 United-States <=50K
.. ... ... ... ... ... ... ... ... ...
995 2 NaN 208938 Bachelors ... 0 1 United-States <=50K
996 2 Private 166416 Bachelors ... 2 2 United-States <=50K
997 2 NaN 336022 HS-grad ... 0 1 United-States <=50K
998 3 Private 198051 Masters ... 0 2 United-States >50K
999 1 NaN 41973 HS-grad ... 0 2 United-States <=50K
[1000 rows x 15 columns]
- CTGAN:Modeling Tabular Data using Conditional GAN
- C3-TGAN: C3-TGAN- Controllable Tabular Data Synthesis with Explicit Correlations and Property Constraints
- TVAE:Modeling Tabular Data using Conditional GAN
- table-GAN:Data Synthesis based on Generative Adversarial Networks
- CTAB-GAN:CTAB-GAN: Effective Table Data Synthesizing
- OCT-GAN: OCT-GAN: Neural ODE-based Conditional Tabular GANs
SDG开源项目由哈尔滨工业大学(深圳)数据安全研究院发起,若您对SDG项目感兴趣并愿意一起完善它,欢迎加入我们的开源社区:
- 非常欢迎你的加入!查看 Good First Issue 或者提交一个 Pull Request。
- 开发环境配置请参考开发者文档
- 加入微信群:
SDG开源项目使用 Apache-2.0 license,有关协议请参考LICENSE。