Navigating Tabular Data Synthesis Research: Understanding User Needs and Tool Capabilities

在快速发展的数据驱动应用时代，研究和实践中对数据的需求不断增加。当没有真实数据可用时（例如由于隐私规定），合成数据已成为一种替代选择。合成表格数据面临着独特而复杂的挑战，特别是处理（i）缺失值，（ii）数据集不平衡，（iii）多样的列类型和（iv）复杂的数据分布，同时保留原始数据集中存在的（i）列相关性，（ii）时间依赖性和（iii）完整性约束（例如功能依赖）。虽然在生成模型的背景下最近取得了实质性进展，但目前没有适用于表格数据的通用解决方案，选择适合特定任务的正确工具因此并不是一项简单的任务。在本文中，我们调查了表格数据合成（TDS）的最新技术，通过定义一组功能和非功能需求来研究用户的需求，并总结了实现这些需求所面临的挑战。此外，我们评估了36种流行的研究TDS工具在这些需求方面的性能，并开发了一个决策指南，以帮助用户找到适合其应用的TDS工具。由此产生的决策指南还确定了重要的研究空白。

本论文旨在调查和评估当前表格数据合成（TDS）领域的研究现状，探讨TDS工具的功能和非功能需求，并针对这些需求对36种常见的TDS工具进行性能评估。

本论文提出了一种基于功能和非功能需求的TDS工具选择方法，该方法可以帮助用户选择适合其应用程序的TDS工具，并且识别了当前TDS领域的重要研究缺口。

本论文对TDS领域的36种常见工具进行了广泛的性能评估，并提出了一种基于需求的工具选择方法。此外，本论文还分析了TDS领域的挑战和未来研究方向，并提供了一个公开的TDS工具列表。

与本文相关的研究包括：1）基于生成模型的TDS方法，如CTGAN和SDV；2）TDS领域的应用，如隐私保护和数据共享；3）TDS工具的性能评估方法。