合成数据是通过算法或模拟生成的人工信息，它模仿真实世界数据的统计特性，而非从实际事件或主体中收集而来。在研究中，当真实数据稀缺、敏感、昂贵或难以获取时，它便成为一种强大的替代品。
研究人员为何使用合成数据
合成数据的核心价值在于解决三个常见的痛点：
- 隐私保护 – 在处理医疗记录、金融交易或个人用户数据时，共享原始数据集往往违反伦理或法律约束。合成数据让您能够分享逼真的数据模式，而无需暴露真实个体。
- 数据稀缺 – 在罕见病研究或自动驾驶等领域，收集足够的真实世界样本可能需要数年时间。合成数据通过生成合理的变体来填补这些空白。
- 成本与可行性 – 进行物理实验或大规模调查成本高昂。生成数千个合成样本仅需消耗计算时间。
常见类型与生成方法
根据研究背景的不同，合成数据有多种形式：
| 类型 | 示例 | 典型生成方法 |
|------|---------|-----------------------------|
| 完全合成 | 全新的患者记录行 | 生成对抗网络（GANs）、变分自编码器 |
| 部分合成 | 替换敏感列的真实数据 | 多重插补、基于随机森林的合成 |
| 基于模拟 | 物理传感器读数或交通模式 | 基于智能体的模型、物理引擎、蒙特卡洛模拟 |
合成数据何时有效（以及何时无效）
合成数据在探索性分析、模型训练和算法基准测试中表现出色。例如，您可以先在合成样本上训练机器学习模型，再在小型真实数据集上进行微调。
然而，它也有局限性。如果底层生成器无法捕捉复杂的相关性或罕见的边缘情况，您的结果可能无法泛化。始终应针对保留的真实样本验证合成数据集，以检查其保真度。
工作流程中的实用建议
如果您正在围绕合成数据方法撰写文献综述，WisPaper的学者搜索功能可通过理解排除逻辑帮助您过滤无关噪音——例如，查找关于“合成数据生成”的论文，同时排除“合成生物学”——从而减少筛选无关结果的时间。
总结
合成数据并非真实世界证据的替代品，而是一种补充工具，能够扩展您的研究范围。正确使用它，既能加速发现，又能保护隐私——这使其成为现代跨学科研究人员必备的技能。