我對合成數據使用的三個思考：是夥伴，是替代，還是偏誤
這篇文章與你分享，我閱讀合成數據文章以後，產生的三個思考與理解。
本文章收錄三個思考：
- 合成數據能夠成為夥伴，還是成為替代呢？
- 我們關心的是統計任務，還是運營任務呢？
- 基於合成數據的學習，要怎麼學得好呢？
思考#1：合成數據，是夥伴，還是替代？
有兩個觀點來看合成數據：夥伴，或是替代。
- 夥伴：真實數據在做的事情，合成數據可以「一起」做嗎？(Can we do the same things with synthetic data that we do with real data?)
- 替代：真實數據在做的事情，合成數據可以「自己」做嗎？(Can we do the same things to synthetic data that we do to real data?)
你覺得哪個比較合理呢？我覺得後者比較理想。
思考#2：夥伴還是替代，其實還是看想做什麼任務。
合成數據作為夥伴，想做的事是
- 建築模型
- 實踐資料分析
- 檢驗假說
合成數據作為替代，想做的事是
- 連結分開的數據集
- 延伸合成數據集，當新的紀錄加入原數據集
感覺這兩個理解都有道理，但好像跟我自己理解with與to的角度不一樣。
這邊的with感覺是替代。
這邊的to感覺更是夥伴。
需要繼續寫文章細化。
思考#3：合成數據學習，仍然是大量未知。
主要的擔憂，是隱私數據有偏誤。
A particular concern for private data is bias. Ghalebikesabi et al. [34] warn against the risks of learning from synthetic data, and propose a methodology for learning unbiasedly from such data. Wilde et al. [35] demonstrate superior performance when model parameters are updated using Bayesian inference, rather than approaches that fail to account for the fact the training data is synthetic.
爭議觀點為
- 從合成數據去學習，是有風險的。[34] Sahra Ghalebikesabi, Harrison Wilde, Jack Jewson, Arnaud Doucet, Sebastian Vollmer, and Chris Holmes. Bias mitigated learning from differentially private synthetic data: A cautionary tale. arXiv preprint arXiv:2108.10934, 2021. 🤹♂️
- 貝式推論，去調整模型參數，表現更好。[35] Harrison Wilde, Jack Jewson, Sebastian Vollmer, and Chris Holmes. Foundations of bayesian learning from synthetic data. In International Conference on Artificial Intelligence and Statistics, pages 541–549. PMLR, 2021. 🤯🤯🤯🤯🤯
留言
留言分享你的想法！
你可能也想看
Google News 追蹤
攻擊者的目的，是發展出一種方式，
能夠可靠辨認出特定的數據點，
是否包含於目前算法的訓練數據中，
以此來窺探算法的訓練數據隱私。
有另外一類的研究，叫做數據拷貝，
則是直接觀察算法的輸出，
看看算法輸出是否有過於靠近訓練數據的情形。
這種數據拷貝的觀察，
也轉成另一種成員推論攻擊的形式。
本文介紹了AI助手在數據收集和訓練過程中的工作原理和不斷進步的過程。關注的內容包括從公開的網絡資源、書籍、文章等渠道收集數據，數據的清洗和結構化處理，知識庫的增量更新以及訓練算法和模型的優化。如果大家對AI助手的發展還有任何其他感興趣的話題或建議，歡迎隨時告訴我們，讓我們共同探索，攜手進步。
無論是職場專業人士還是學生，
這篇文章都能給你新的啟示。
我們常常搜尋別人的解法，
但最適合自己的，
往往是經過實踐和調整後的方法。
累積自己的數據，
能讓你在實踐中找到最佳解法，
提升自我效能。
▋理由1 - 自己的數據更具實踐性和精確性
依賴
最近接了一個AI專案，客戶要求以AI方式實現節能功能，以下提供我的專案思考軌跡：
面對這樣的技術，我第一個想到使用Reinforcement Learning技術，然而這裡我思考一件事，這個專案是要幫助客戶賺錢的，在沒有Digital Twin的搭配之下，貿然使用Reinforcement L
生成式AI（Generative AI）能夠創造新內容和想法，包括對話、故事、圖像、視訊和音樂等。本文將介紹幾種生成式AI模型，以及其在設計製造、教育、客戶服務、媒體與娛樂、市場營銷領域的應用和風險。然後就生成式AI的應用，設計製造、教育、客戶服務、媒體與娛樂、市場營銷等相關領域提供了一些示例。
大語言模型能夠生成文本，因此被認為是生成式人工智慧的一種形式。
人工智慧的學科任務，是製作機器，使其能執行需要人類智慧才能執行的任務，例如理解語言，便是模式，做出決策。
除了大語言模型，人工智慧也包含了深度學習以及機器學習。
機器學習的學科任務，是透過演算法來實踐AI。
特別
與AI協作的時代來臨了！本篇文章中會提到一篇研究是關於生成式AI的限制，調查發現原來生成式AI對於業務問題竟然..? 以下會分享我與AI協作的流程和步驟給大家參考，也建議家中有國高中生的爸媽，要讓孩子對GPT有正確的認識與使用方式，AI協作的時代必會來臨，建立正確的觀念與使用很重要喔~
生成式AI（Generative AI）是近年來人工智慧領域中備受矚目的技術之一。它以機器學習為基礎，通過學習大量數據中的模式和關係，能夠生成各種新的內容，涵蓋文字、圖像、音訊等多個領域。本文將深入探討生成式AI的原理、優缺點以及應用範疇。
生成式人工智慧（AI）已成為當前科技領域的一大熱點，其能力不僅限於模擬人類智能，更能在多種非傳統計算任務中創造前所未有的內容。這篇文章將深入探討生成式AI的理論基礎、實際應用、代碼實踐，以及其商業應用、工具和公司等方面，提供一個全面的視角來了解這一迅速發展的領域。
在人工智慧（AI）領域中，生成式AI已經成為一個備受關注的分支，它不僅在創造性的工作中展現出強大的能力，還在各個領域中展現出潛在的應用價值。本文將從宏觀的角度出發，深入探討生成式AI的種類、概念、缺點、公司、訓練、發展趨勢以及原理，帶領讀者深入了解這個令人振奮的領域。
攻擊者的目的，是發展出一種方式，
能夠可靠辨認出特定的數據點，
是否包含於目前算法的訓練數據中，
以此來窺探算法的訓練數據隱私。
有另外一類的研究，叫做數據拷貝，
則是直接觀察算法的輸出，
看看算法輸出是否有過於靠近訓練數據的情形。
這種數據拷貝的觀察，
也轉成另一種成員推論攻擊的形式。
本文介紹了AI助手在數據收集和訓練過程中的工作原理和不斷進步的過程。關注的內容包括從公開的網絡資源、書籍、文章等渠道收集數據，數據的清洗和結構化處理，知識庫的增量更新以及訓練算法和模型的優化。如果大家對AI助手的發展還有任何其他感興趣的話題或建議，歡迎隨時告訴我們，讓我們共同探索，攜手進步。
無論是職場專業人士還是學生，
這篇文章都能給你新的啟示。
我們常常搜尋別人的解法，
但最適合自己的，
往往是經過實踐和調整後的方法。
累積自己的數據，
能讓你在實踐中找到最佳解法，
提升自我效能。
▋理由1 - 自己的數據更具實踐性和精確性
依賴
最近接了一個AI專案，客戶要求以AI方式實現節能功能，以下提供我的專案思考軌跡：
面對這樣的技術，我第一個想到使用Reinforcement Learning技術，然而這裡我思考一件事，這個專案是要幫助客戶賺錢的，在沒有Digital Twin的搭配之下，貿然使用Reinforcement L
生成式AI（Generative AI）能夠創造新內容和想法，包括對話、故事、圖像、視訊和音樂等。本文將介紹幾種生成式AI模型，以及其在設計製造、教育、客戶服務、媒體與娛樂、市場營銷領域的應用和風險。然後就生成式AI的應用，設計製造、教育、客戶服務、媒體與娛樂、市場營銷等相關領域提供了一些示例。
大語言模型能夠生成文本，因此被認為是生成式人工智慧的一種形式。
人工智慧的學科任務，是製作機器，使其能執行需要人類智慧才能執行的任務，例如理解語言，便是模式，做出決策。
除了大語言模型，人工智慧也包含了深度學習以及機器學習。
機器學習的學科任務，是透過演算法來實踐AI。
特別
與AI協作的時代來臨了！本篇文章中會提到一篇研究是關於生成式AI的限制，調查發現原來生成式AI對於業務問題竟然..? 以下會分享我與AI協作的流程和步驟給大家參考，也建議家中有國高中生的爸媽，要讓孩子對GPT有正確的認識與使用方式，AI協作的時代必會來臨，建立正確的觀念與使用很重要喔~
生成式AI（Generative AI）是近年來人工智慧領域中備受矚目的技術之一。它以機器學習為基礎，通過學習大量數據中的模式和關係，能夠生成各種新的內容，涵蓋文字、圖像、音訊等多個領域。本文將深入探討生成式AI的原理、優缺點以及應用範疇。
生成式人工智慧（AI）已成為當前科技領域的一大熱點，其能力不僅限於模擬人類智能，更能在多種非傳統計算任務中創造前所未有的內容。這篇文章將深入探討生成式AI的理論基礎、實際應用、代碼實踐，以及其商業應用、工具和公司等方面，提供一個全面的視角來了解這一迅速發展的領域。
在人工智慧（AI）領域中，生成式AI已經成為一個備受關注的分支，它不僅在創造性的工作中展現出強大的能力，還在各個領域中展現出潛在的應用價值。本文將從宏觀的角度出發，深入探討生成式AI的種類、概念、缺點、公司、訓練、發展趨勢以及原理，帶領讀者深入了解這個令人振奮的領域。