曹爽

摘  要： 为了提升合成表格数据的质量，提出一种简单的方法生成每个类的数据，使用度量损失控制每一类结构化数据的生成，将此方法命名为SCGAN。文章用此方法在二分类问题上进行了尝试。使用三种不同的度量损失在三个真实的数据集上训练生成对抗网络：逐次对每一类数据进行合成，利用合成数据训练分类器模型，使用gmean来评估模型的性能。结果表明，单独生成每一类数据能够提升模型的分类性能。

关键词： 合成数据; 度量损失; 生成对抗网络; 分类器

中图分类号：TP391          文献标识码：A     文章编号：1006-8228（2021）04-25-03

Abstract： In order to improve the quality of tabular data synthesis， a simple method to generate data of each category is proposed， and it is named SCGAN and uses metrics loss to control the generation of structured data of each category. In this paper， the binary classification problem is tried to be solved by this method. By using three different metrics losses， the generative adversarial network is trained on three real datasets that each category of data are synthesized one by one， the classifier model are trained with the synthesized data， and gmean is used to evaluate the performance of the model. The results show that generating each category of data separately can improve the classification performance of the model.

Key words： synthesized data; metrics loss; generative adversarial networks; classifier

0 引言

近年来，生成对抗网络在生成高质量合成图像方面取得了很大的成功[1]。多种数据类型，数据分布不确定，多模态分布，数据不均衡等特点对生成表格型数据带来了挑战[2]。MedGAN提出医学生成对抗网络，来生成逼真的合成病历[3]。TableGAN使用生成对抗网络来合成假表，这些假表在统计上类似于原始表[4]。CTGAN对连续数据进行建模，对离散数据增加条件损失来合成高质量数据[2]。

本文在CTGAN的基础上提出一种无监督的生成对抗网络方法，将衡量指标FID[5]，MMD[6]，最小二乘作为度量模块应用到生成对抗网络模型中，利用单个类别的数据训练模型生成大量的合成数据，利用梯度惩罚[7]和谱归一化方法[8]來增强模型训练的稳定性。在三个真实的数据集上选取相同数量的生成数据对三种度量方法做了比较，实验结果显示，本文提出的方法能够提升生成数据的质量，提升模型分类的性能。……