摘要 AEPD Blog
AEPD发布了关于Privacy by Design的新博客《Syntheticdataanddataprotection》，充分阐述了合成数据的应用场景，以及作为一种隐私增强型技术的具体运用。
合成数据是人工生成的数据，与从现实中收集的真实数据不同。非真实数据集要被称为合成数据，就必须在特定用例中保留真实数据的特征和属性。合成数据可用于机器学习服务的开发、测试和验证，因为这些服务无法获得所需数量的真实数据，甚至不存在此类真实数据。在数据空间框架内，合成数据可以作为一种允许公司共享数据的方式，而不会泄露商业机密。当合成数据用于创建与个人数据具有相同效用的非个人数据集时，它也可以成为一种隐私保护技术。
下面是博客的全文翻译，供大家参考：
AEPD博客翻译 Syntheticdataanddataprotection
目前，开发、测试和验证机器学习和其他基于数据科学的开发需要大量数据。在某些情况下，无法获得执行此类流程所需的数据量，因为此类数据不存在所需的数量，或者因为此类数据必须描述现实世界中尚未发生的情况。这些数据描述的是异常情况、极端情况、低概率或未记录的情况，或者甚至是用被操纵的数据来测试攻击类型，这类数据通常用于专门的测试场景。
与前一种情况密切相关的是，合成数据可以支持数据驱动型经济，允许访问公共和私人实体的信息，即数据空间。如果不能充分保证处理这些数据的目的（和实际限制）或影响其利益的风险，企业将不愿意披露可能泄露商业机密、弱点和知识产权的数据。合成数据是解决此类问题的几种技术之一。
近年来，合成数据受到越来越多的关注，因为它有助于开发自然语言理解系统的测试和验证、自动驾驶汽车系统的视觉算法或金融机构的欺诈检测模型。
合成数据不是随机数据。从真实数据中合成数据集或从零开始创建数据集时，应再现真实数据的特征和结构，以便在特定用例中得出类似结论。那么，它们就是人工生成的数据，至少对某一特定用途有用。根据这种定义，合成数据的最基本形式可以是与真实数据格式相似的虚拟文件。如果合成数据集没有达到特定用途的最低实用阈值，就不能被视为该特定用途框架内的正确合成数据。
在某些特定的使用案例中，合成数据可以取代真实数据。每个特定的使用案例都会有不同的质量要求，对流程和最终目的的细微差别也有不同的要求。例如，为了验证人脸识别系统，可能需要生成一个合成人脸数据集，以检查该特定系统的极限。然而，这样的数据集可能缺乏检查其他类型系统或开发新的人脸识别系统所需的数据质量。
与许多其他技术一样，合成数据也可以作为隐私增强型技术（PET）使用，因为这是Data Protection by Design的运用。在这种情况下，生成合成数据可以最大限度地减少或避免对个人数据的处理，并达到与使用原始个人数据同样可以实现目标的实际效果。在 GDPR 框架下，合成数据不应包含可识别信息，即使它是由真实个人数据生成的。由于合成数据只是为特定目的保留真实个人数据的统计属性或分布，因此合成数据可用于防止个人数据被处理。
创建合成数据涉及一个生成或建模过程（"合成"），该过程必须满足在特定使用情况下保持分析价值和遵守数据保护法律的要求。保留分析价值指的是方法或模型的实用性，即数据集对数据目的或使用案例的有用性。
根据 GDPR，从真实个人数据创建合成数据本身就是一种处理活动。因此，有必要考虑 GDPR 的规定，特别是可问责原则，并评估创建的合成数据集可能带来的重识别风险。
这种合成可以使用不同的技术，如顺序建模、模拟数据、决策树或深度学习算法。后者通常使用生成式对抗神经网络（GAN），其中两个相互对抗的神经网络相互迭代训练：生成器试图学习原始数据的底层结构，并生成具有相同统计分布的合成数据，而判别器则试图将接收到的数据判别为原始数据或合成数据。
根据使用合成数据的目的，可以考虑合成原始数据集的所有变量（完全合成数据），也可以只合成部分变量，例如最敏感的变量（部分合成数据）。在后一种情况下，个人数据的披露风险较高，因为它包含原始数据和合成数据。
无论选择哪种技术，都应进行匿名性评估，以确保生成的合成数据集不包含已识别或可识别的个人信息。为防止个人信息泄露，除合成数据外，还可采用其他隐私保护技术，如差分隐私技术。
在这个方面上来看，合成数据就成了Data Protection by Design的有力工具，因为个人数据不会暴露，而且可以用于多种应用。例如，合成数据可以帮助克服数据稀缺的问题，提高数据质量（如减少原始数据中的偏差），并增强数据的多样性。统计局可以利用合成数据向公众发布有用的数据，同时不损害受访者的隐私；教育和医疗卫生领域也可以利用合成数据开发分析技能，发现新趋势，同时保护个人身份和隐私。
合成数据是一种双重技术，可以解决数据驱动型经济和隐私要求方面的问题。然而，合成数据并不总是正确的选择，必须根据具体情况评估其可用性。在某些情况下，数据集可能过于复杂，无法针对特定情况正确理解其结构（如相关性、加权尾数等），或者难以模拟真实数据中的异常值。错误生成的合成数据还可能在开发、测试和验证阶段导致误解。最后，重新识别风险评估可能会得出负面结果。在这种情况下，应使用替代或补充隐私增强型技术 PET。
AEPD发布了关于Privacy by Design的新博客《Syntheticdataanddataprotection》，充分阐述了合成数据的应用场景，以及作为一种隐私增强型技术的具体运用。
合成数据是人工生成的数据，与从现实中收集的真实数据不同。非真实数据集要被称为合成数据，就必须在特定用例中保留真实数据的特征和属性。合成数据可用于机器学习服务的开发、测试和验证，因为这些服务无法获得所需数量的真实数据，甚至不存在此类真实数据。在数据空间框架内，合成数据可以作为一种允许公司共享数据的方式，而不会泄露商业机密。当合成数据用于创建与个人数据具有相同效用的非个人数据集时，它也可以成为一种隐私保护技术。
下面是博客的全文翻译，供大家参考：
AEPD博客翻译 Syntheticdataanddataprotection
目前，开发、测试和验证机器学习和其他基于数据科学的开发需要大量数据。在某些情况下，无法获得执行此类流程所需的数据量，因为此类数据不存在所需的数量，或者因为此类数据必须描述现实世界中尚未发生的情况。这些数据描述的是异常情况、极端情况、低概率或未记录的情况，或者甚至是用被操纵的数据来测试攻击类型，这类数据通常用于专门的测试场景。
与前一种情况密切相关的是，合成数据可以支持数据驱动型经济，允许访问公共和私人实体的信息，即数据空间。如果不能充分保证处理这些数据的目的（和实际限制）或影响其利益的风险，企业将不愿意披露可能泄露商业机密、弱点和知识产权的数据。合成数据是解决此类问题的几种技术之一。
近年来，合成数据受到越来越多的关注，因为它有助于开发自然语言理解系统的测试和验证、自动驾驶汽车系统的视觉算法或金融机构的欺诈检测模型。
合成数据不是随机数据。从真实数据中合成数据集或从零开始创建数据集时，应再现真实数据的特征和结构，以便在特定用例中得出类似结论。那么，它们就是人工生成的数据，至少对某一特定用途有用。根据这种定义，合成数据的最基本形式可以是与真实数据格式相似的虚拟文件。如果合成数据集没有达到特定用途的最低实用阈值，就不能被视为该特定用途框架内的正确合成数据。
在某些特定的使用案例中，合成数据可以取代真实数据。每个特定的使用案例都会有不同的质量要求，对流程和最终目的的细微差别也有不同的要求。例如，为了验证人脸识别系统，可能需要生成一个合成人脸数据集，以检查该特定系统的极限。然而，这样的数据集可能缺乏检查其他类型系统或开发新的人脸识别系统所需的数据质量。
与许多其他技术一样，合成数据也可以作为隐私增强型技术（PET）使用，因为这是Data Protection by Design的运用。在这种情况下，生成合成数据可以最大限度地减少或避免对个人数据的处理，并达到与使用原始个人数据同样可以实现目标的实际效果。在 GDPR 框架下，合成数据不应包含可识别信息，即使它是由真实个人数据生成的。由于合成数据只是为特定目的保留真实个人数据的统计属性或分布，因此合成数据可用于防止个人数据被处理。
创建合成数据涉及一个生成或建模过程（"合成"），该过程必须满足在特定使用情况下保持分析价值和遵守数据保护法律的要求。保留分析价值指的是方法或模型的实用性，即数据集对数据目的或使用案例的有用性。
根据 GDPR，从真实个人数据创建合成数据本身就是一种处理活动。因此，有必要考虑 GDPR 的规定，特别是可问责原则，并评估创建的合成数据集可能带来的重识别风险。
这种合成可以使用不同的技术，如顺序建模、模拟数据、决策树或深度学习算法。后者通常使用生成式对抗神经网络（GAN），其中两个相互对抗的神经网络相互迭代训练：生成器试图学习原始数据的底层结构，并生成具有相同统计分布的合成数据，而判别器则试图将接收到的数据判别为原始数据或合成数据。
根据使用合成数据的目的，可以考虑合成原始数据集的所有变量（完全合成数据），也可以只合成部分变量，例如最敏感的变量（部分合成数据）。在后一种情况下，个人数据的披露风险较高，因为它包含原始数据和合成数据。
无论选择哪种技术，都应进行匿名性评估，以确保生成的合成数据集不包含已识别或可识别的个人信息。为防止个人信息泄露，除合成数据外，还可采用其他隐私保护技术，如差分隐私技术。
在这个方面上来看，合成数据就成了Data Protection by Design的有力工具，因为个人数据不会暴露，而且可以用于多种应用。例如，合成数据可以帮助克服数据稀缺的问题，提高数据质量（如减少原始数据中的偏差），并增强数据的多样性。统计局可以利用合成数据向公众发布有用的数据，同时不损害受访者的隐私；教育和医疗卫生领域也可以利用合成数据开发分析技能，发现新趋势，同时保护个人身份和隐私。
合成数据是一种双重技术，可以解决数据驱动型经济和隐私要求方面的问题。然而，合成数据并不总是正确的选择，必须根据具体情况评估其可用性。在某些情况下，数据集可能过于复杂，无法针对特定情况正确理解其结构（如相关性、加权尾数等），或者难以模拟真实数据中的异常值。错误生成的合成数据还可能在开发、测试和验证阶段导致误解。最后，重新识别风险评估可能会得出负面结果。在这种情况下，应使用替代或补充隐私增强型技术 PET。