Technische Samenvatting: TDGT – Een Toolkit voor het Genereren van Tabulaire Data

Probleemstelling

De proliferatie van AI-gestuurde systemen in gereguleerde domeinen (gezondheidszorg, financiële sector, cybersecurity) heeft de vraag naar hoogwaardige synthetische tabulaire data geïntensiveerd om privacy-bewuste gegevensdeling te faciliteren. Hoewel synthetische data een robuust alternatief biedt voor traditionele anonimisering door volledig nieuwe monsters te genereren in plaats van bestaande gegevens te verstoren, presenteren huidige tools aanzienlijke barrières voor de adoptie door domeinexperts. Bestaande oplossingen vereisen vaak:

• Programmeerervaring en vaardigheid in scripting.
• Handmatige hyperparameterconfiguratie (bijv. het selecteren van het aantal mengcomponenten of latente dimensies), wat diepgaande kennis van generatieve modellering vereist.
• Disparate evaluatiepipelines, die het missen van een geïntegreerde, multi-metrische beoordeling van statistische getrouwheid en privacyrisico.

Consequent is er een kloof tussen methodologische vooruitgang in generatieve modellering en de praktische toegankelijkheid van deze tools voor beoefenaars die synthetische data nodig hebben, maar niet beschikken over gespecialiseerde modelleringsexpertise.

Methodologie

Het paper introduceert TDGT (Tabular Data Generation Toolkit), een webgebaseerd, end-to-end platform dat datageneratie, evaluatie en visualisatie verenigt. De toolkit implementeert een vierfasige modulaire pipeline:

1. Data-inname & Featuredetectie: Geautomatiseerde classificatie van kolommen als categorisch, integer of continu, inclusief metadata-extractie (categorie-registers, precisie, grenswaarden).
2. Synthetische Datageneratie: TDGT ondersteunt negen generatoren, waaronder drie parametrische baselines (MVND, LogMVND, BGMM) en zes geavanceerde methoden. De kern van de methodologische innovaties zijn:
   • Adaptive Bayesian Mixture Synthesizer (ABMS): Een nieuw algoritme dat autonoom het optimale aantal Gaussische mengcomponenten ($k^*$) bepaalt door te itereren door kandidaat-clustercounts en een clusterkwaliteitscriterium (Silhouette score of Davies-Bouldin index) te optimaliseren. Het maakt gebruik van een adaptieve Dirichlet-prior om spurieuze componenten te onderdrukken, waardoor handmatige hyperparameterinstelling wordt geëlimineerd.
   • VAE-ABMS: Een hybride architectuur waarbij een Variational Autoencoder (VAE) een compacte latente representatie van de inputdata leert. ABMS wordt vervolgens toegepast binnen deze latente ruimte om vectoren te synthetiseren, die weer worden gedecodeerd naar de oorspronkelijke feature-ruimte. Dit adresseert niet-lineaire afhankelijkheden die ondiepe mengmodellen niet kunnen vangen.
   • ABMS-CUDA: Een op GPU versnelde variant van ABMS die gebruikmaakt van CUDA-gebaseerde k-means clustering en Gaussian mixture fitting voor grootschalige datasets. Het bevat een fallback-mechanisme naar CPU-executie als de GPU-bronnen ontoereikend zijn.
   • Deep Generative Models: De toolkit integreert op maat gemaakte implementaties van TabGAN (Wasserstein GAN met gradiëntstraf), TabVAE (VAE met adaptieve batch-grootte) en TabDiffusion (Denoising Diffusion Probabilistic Model met sinusvormige tijd-embeddings).
3. Post-Generatie Constraint Handhaving: Een uniforme procedure waarborgt de structurele validiteit door categorische waarden te hermappen naar geobserveerde registers, integers te casten, floats af te ronden naar de oorspronkelijke precisie en continue waarden af te klemmen tot empirische grenswaarden.
4. Multi-Metric Evaluatie: De toolkit beoordeelt de getrouwheid aan de hand van zeven statistische metrieken (KS, KL, JS, TVD, Hellinger-afstand, Wasserstein-afstand en correlatieverschil $\Delta C$) en twee privacy-indicatoren (k-anonimiteit en onthullingsrisico). Resultaten worden gevisualiseerd via interactieve Plotly-grafieken.

Belangrijkste Bijdragen

Het paper levert vier primaire bijdragen:

1. ABMS Algoritme: Een datagedreven benadering van Bayesian mixture synthese die automatisch de hoeveelheid componenten kalibreert, waardoor de noodzaak voor handmatige hyperparameter specificatie vervalt.
2. VAE-ABMS Architectuur: Een hybride model dat VAE-representatieleer combineert met adaptieve mengsynthese om complexe, niet-lineaire tabulaire distributies te behandelen.
3. ABMS-CUDA: Een schaalbare, op GPU versnelde implementatie van ABMS die de trainingstijd voor grote datasets aanzienlijk vermindert terwijl de algoritmische semantiek behouden blijft.
4. TDGT Toolkit: Een verenigde, webgebaseerde interface die deze generatiemethoden integreert met een uitgebreide evaluatiesuite en realtime visualisaties, waarbij geen programmeerervaring van de gebruiker vereist is.

Experimentele Resultaten

De toolkit werd getest op drie datasets: Wisconsin Breast Cancer (klein, hoog-dimensionaal, continu), Bank Marketing (gemiddelde schaal, gemengde typen) en NSL-KDD (grote schaal, heterogeen, ongebalanceerd).

• Getrouwheid (Fidelity): Deep generative modellen presteerden over het algemeen beter dan de mengmodellen in het behouden van structurele correlaties en marginale distributies, met name op complexe datasets.
  • TabDiffusion behaalde de beste structurele getrouwheid (laagste $\Delta C$) op Bank Marketing en NSL-KDD.
  • VAE-ABMS demonstreerde superieure marginale getrouwheid (laagste KS en JS) op de hoog-dimensionale NSL-KDD en Wisconsin datasets.
  • TabGAN blonk uit in het behoud van correlaties op de Wisconsin dataset.
  • ABMS/ABMS-CUDA bood concurrerende distributie-metrieken (JS) maar had moeite met het behoud van structurele correlatie ($\Delta C$) vergeleken met deep models, met name op hoog-dimensionale data.
• Prestaties & Schaalbaarheid:
  • ABMS was de snelste generator (seconden tot minuten), wat het geschikt maakt voor snelle exploratie.
  • ABMS-CUDA bereikte 3–4× versnellingen ten opzichte van CPU ABMS op datasets met $N > 10.000$, hoewel het een lichte penalty voor getrouwheid ondervond op de 42-feature NSL-KDD dataset vanwege de noodzakelijke PCA-projectie voor numerieke stabiliteit.
  • TabGAN bracht de hoogste trainingskosten met zich mee (tot wel ~20 minuten voor Bank Marketing) vanwege de adversariële trainingsloop.
  • TabDiffusion bood een gunstige trade-off door een hoge getrouwheid te bereiken met trainingstijden die aanzienlijk lager waren dan die van TabGAN op grote datasets.

Betekenis en Claims

Het paper positioneert TDGT als een brug tussen geavanceerd generatief modelleringsonderzoek en praktische toepassing in gereguleerde domeinen. De betekenis ligt in:

• Toegankelijkheid: Door hyperparameterselectie te automatiseren (via ABMS) en een no-code webinterface te bieden, verlaagt TDGT de drempel voor domeinexperts (bijv. clinici, financiële analisten) die geen diepe leerervaring hebben.
• Geïntegreerde Evaluatie: Het adresseert de reproduceerbaarheidsgap door een verenigd, multi-metrisch evaluatiekader aan te bieden dat zowel statistische getrouwheid als privacyrisico beoordeelt, waardoor de noodzaak voor uiteenlopende evaluatiepipelines wordt geëlimineerd.
• Schaalbaarheid: De inclusie van GPU-versnelde varianten (ABMS-CUDA) en efficiënte deep models (TabDiffusion) zorgt ervoor dat de toolkit levensvatbaar is voor datasets variërend van kleine klinische cohorten tot grootschalige netwerkverkeerslogs.
• Regulatoire Bruikbaarheid: De toolkit is ontworpen om privacy-bewuste samenwerking te ondersteën in sectoren waar toegang tot data strikt beperkt is, waardoor de creatie van surrogaatdatasets mogelijk wordt die statistische eigenschappen behouden zonder identificeerbare records bloot te leggen.

De auteurs concluderen dat hoewel deep generative models een superieure getrouwheid bieden voor complexe data, de adaptieve mengbenaderingen (ABMS/VAE-ABMS) een kritieke balans bieden tussen snelheid, interpreteerbaarheid en prestaties, waardoor ze essentiële componenten maken van een uitgebreide synthetische data toolkit.