Les données synthétiques -- des données générées artificiellement qui imitent les propriétés statistiques de jeux de données réels -- sont passées de technique de niche à nécessité stratégique. Portées par les réglementations de confidentialité (RGPD, HIPAA), la rareté des données dans les domaines spécialisés et le besoin d'augmenter les ensembles d'entraînement.
Méthodes de Génération
Les principales familles de méthodes sont : les méthodes statistiques (copules, réseaux bayésiens, SMOTE), les modèles génératifs profonds (GANs, VAEs, diffusion), la génération basée sur les LLMs, la simulation (moteurs physiques, jumeaux numériques) et les méthodes basées sur des règles.
tadata
La recette self-instruct (Wang et al., 2022 : 175 tâches de départ écrites à la main sont devenues environ 52K instructions) ; des variantes ultérieures ajoutent des personas, une montée progressive de la difficulté et des vérificateurs
Générateurs tabulaires placés selon la fidélité et la protection de la vie privée (placement qualitatif de l'auteur, pas des scores mesurés). Aucune méthode ne se place sûrement en haut à droite sans mesure
La tension fondamentale dans les données synthétiques : une fidélité plus élevée signifie un risque de re-identification plus élevé. La confidentialité différentielle fournit des garanties mathématiques mais dégrade la qualité des données. L'approche pratique est de mesurer les deux axes explicitement et de choisir le point de fonctionnement en fonction des exigences réglementaires.
tadata
Risque de confidentialité d'un jeu de données synthétique publié : causes, barrières préventives, conséquences, barrières d'atténuation