Constraint-Aware Synthetic Tabular Data Generation via Inter-Column Constraint Discovery with LLM Agents

En la era digital, vastas cantidades de información se encuentran guardadas en hojas de cálculo, registrando todo, desde horarios de vuelos y solicitudes de crédito hasta estadísticas de baloncesto e historias médicas. Cuando los datos reales son escasos, sensibles o difíciles de compartir, los investigadores e ingenieros recurren a los datos sintéticos: registros generados por computadora que imitan los patrones estadísticos del mundo real. Estos conjuntos de datos artificiales permiten a los equipos construir y probar software, entrenar inteligencia artificial y explorar escenarios sin arriesgar la privacidad ni exponer detalles confidenciales. Sin embargo, un problema significativo ha plagado este campo durante mucho tiempo. Si bien las computadoras son excelentes para copiar la forma general de los datos —asegurando que el promedio de edad o la distribución de ingresos parezcan correctos—, a menudo fallan en comprender las reglas lógicas profundas que vinculan las columnas entre sí. Una computadora podría generar un pedido sintético donde un paquete se entrega antes de haber sido siquiera comprado, o un registro financiero donde el costo total no coincide con el precio multiplicado por la cantidad. Estos errores, conocidos como violaciones estructurales, hacen que los datos parezcan reales en la superficie, pero que se desmoronen ante controles lógicos simples, volviéndolos inútiles para análisis o toma de decisiones serios.

Un equipo de investigadores ha desarrollado un nuevo método para solucionar este fallo, creando un sistema que enseña a la inteligencia artificial a descubrir y aplicar las reglas lógicas ocultas de un conjunto de datos. En lugar de intentar forzar al generador de datos a seguir reglas estrictas desde el principio, lo que a menudo distorsiona los datos o requiere un reentrenamiento complejo, su enfoque actúa como un sofisticado paso de post-procesamiento. El sistema primero utiliza modelos de lenguaje extensos —herramientas de IA avanzadas entrenadas en vastas cantidades de texto— para leer las descripciones y los registros de muestra del conjunto de datos. Estos modelos actúan como auditores curiosos, proponiendo hipótesis sobre cómo deberían relacionarse las diferentes columnas entre sí. Podrían sugerir que una fecha de entrega debe ser siempre posterior a una fecha de pedido, o que un tipo de producto específico solo puede enviarse mediante ciertos métodos.

La innovación reside en cómo se prueban y refinan estas propuestas. En lugar de aceptar ciegamente las conjeturas de la IA, el sistema traduce cada idea en una instrucción estricta y legible por máquina que puede verificarse contra cada una de las filas de los datos originales. Si una regla propuesta falla incluso unas pocas veces, el sistema no la descarta inmediatamente. En su lugar, le muestra a la IA los ejemplos específicos donde la regla falló, permitiendo que el modelo revise su hipótesis. Este ciclo de proponer, probar y corregir continúa hasta que el sistema se establece en un conjunto de reglas que se cumplen para todo el conjunto de datos. Los investigadores se centraron en tres tipos principales de relaciones: ecuaciones donde un número es el resultado exacto de otros, desigualdades donde un valor debe ser mayor o menor que otro, y dependencias lógicas donde la categoría de un elemento dicta las categorías permitidas de otro.

Una vez que las reglas son descubiertas y verificadas, el sistema las aplica a los datos sintéticos generados por cualquier herramienta estándar. Actúa como un coordinador, corrigiendo errores en un orden específico para asegurar que la corrección de un error no cree otro. Por ejemplo, si una regla requiere que un total sea la suma de dos partes, el sistema primero corrige el total basándose en las partes, y solo después ajusta las partes para que se ajusten dentro de cualquier límite más amplio. Esta cuidadosa secuenciación asegura que el conjunto de datos final obedezca todas las leyes descubiertas simultáneamente. En sus experimentos, los investigadores probaron este flujo de trabajo en siete conjuntos de datos públicos diferentes, que iban desde registros de vuelos hasta el consumo de energía de la industria siderúrgica, utilizando cuatro tipos diferentes de generadores de datos. Antes de la corrección, los datos sintéticos a menudo contenían cientos de violaciones, y algunos conjuntos de datos mostraban que casi cada uno de los registros generados rompía al menos una regla. Después de que el sistema aplicó sus correcciones, el número de violaciones cayó a cero para cada regla que pudiera ser aplicada.

Crucialmente, esta limpieza rigurosa no arruinó la utilidad de los datos. Los investigadores midieron qué tan bien desempeñaba el texto limpio en tareas del mundo real, como entrenar un modelo para predecir el riesgo crediticio o los retrasos de los vuelos. En la mayoría de los casos, la utilidad de los datos de hecho mejoró, y en los peores casos, la caída en el rendimiento fue insignificante. El sistema también preservó las características individuales de los datos, asegurando que la distribución de valores en cada columna permaneciera fiel al original. El estudio demuestra que, al tratar las reglas lógicas como un sistema de restricciones interactivas en lugar de controles aislados, es posible generar datos sintéticos que no solo son estadísticamente similares a los reales, sino también estructuralmente sólidos. Este enfoque ofrece un camino práctico hacia la creación de datos sintéticos confiables, asegurando que los registros artificiales utilizados para entrenar nuestros sistemas futuros estén construidos sobre una base de verdad lógica.