Augmentation de données
L'augmentation de données avec Avatar exploite les propriétés stochastiques de la méthode d'anonymisation pour générer des individus synthétiques supplémentaires qui préservent les caractéristiques statistiques de votre jeu de données original. Cette capacité répond à des défis courants en apprentissage automatique et en analyse de données, tels que le déséquilibre de classes et la taille insuffisante des échantillons, tout en maintenant les garanties de confidentialité.
L'augmentation de données est conçue pour fonctionner de manière transparente avec les méthodologies tabulaires, multi-tables et séries temporelles d'Avatar, offrant des capacités d'augmentation flexibles pour différentes structures de données.
Aperçu
Le processus de modélisation locale randomisé de la méthode Avatar, initialement conçu pour la protection de la confidentialité, permet naturellement une augmentation de données contrôlée. Contrairement aux techniques d'augmentation traditionnelles qui peuvent introduire des valeurs irréalistes ou compromettre la confidentialité, l'augmentation basée sur Avatar :
- Préserve les propriétés statistiques – Maintient les distributions, corrélations et relations multivariées
- Reste dans les limites des données – Les valeurs générées restent dans l'espace des données originales (par ex., des âges de 20 à 60 ans restent dans cette plage)
- Assure la confidentialité – Les données augmentées héritent des mêmes garanties de confidentialité que l'avatarisation standard
- Maintient la structure des données – Conserve les mêmes variables, encodage et granularité
Quand utiliser l'augmentation de données
L'augmentation de données avec Avatar est particulièrement utile dans les scénarios suivants :
1. Déséquilibre de classes
Lorsque votre jeu de données comporte des classes sous-représentées qui peuvent avoir un impact négatif sur l'entraînement du modèle et la précision des prédictions. Par exemple :
- Classification binaire avec 10% d'échantillons de classe minoritaire
- Jeux de données multi-classes où certaines catégories ont des exemples insuffisants
- Jeux de données médicales où les conditions rares sont sous-représentées
2. Taille d'échantillon insuffisante
Lorsque vous avez besoin de plus de données pour :
- Entraîner des modèles d'apprentissage automatique robustes
- Effectuer des analyses statistiques avec une puissance statistique adéquate
- Tester les performances du modèle avec des jeux de données plus volumineux
- Générer des jeux de données représentatifs pour le développement et les tests
3. Extension de jeu de données préservant la confidentialité
Lorsque vous devez :
- Partager des jeux de données plus volumineux avec des partenaires tout en maintenant la confidentialité
- Étendre les jeux de données sans collecter de données sensibles supplémentaires
Stratégies d'augmentation
Avatar offre quatre stratégies d'augmentation distinctes, chacune conçue pour des cas d'usage spécifiques :
1. Augmentation par multiplicateur
Stratégie : valeur décimale > 1
Objectif : Multiplie la taille totale du jeu de données par un facteur spécifié tout en préservant les proportions de classes.
Quand l'utiliser :
- Le jeu de données est trop petit dans l'ensemble, indépendamment de la distribution des classes
- Vous souhaitez préserver les proportions de classes existantes
- Tester les performances du modèle avec des jeux de données plus volumineux
- Générer plusieurs jeux de données synthétiques indépendants
Résultat : En utilisant un multiplicateur de 3, un jeu de données de 1 000 échantillons devient 3 000 échantillons avec des distributions et des proportions de classes identiques.
2. Équilibrage de classe minoritaire
Stratégie : minority
Objectif : Augmente la classe minoritaire pour correspondre à la taille de la deuxième plus petite classe dans les problèmes de classification.
Quand l'utiliser :
- Classification binaire avec un déséquilibre de classe significatif
- Vous souhaitez équilibrer la classe minoritaire
- La classe minoritaire a trop peu d'échantillons pour un entraînement efficace du modèle
Résultat : Si votre jeu de données a 400 échantillons de la classe A et 100 échantillons de la classe B, le jeu de données augmenté aura environ 400 échantillons de chaque classe.
3. Équilibrage de classes non-majoritaires
Stratégie : not_majority
Objectif : Équilibre toutes les classes non-majoritaires pour correspondre à la plus grande classe dans les scénarios multi-classes.
Quand l'utiliser :
- Classification multi-classes avec plusieurs classes sous-représentées
- Vous souhaitez que toutes les classes aient une représentation similaire
- Entraînement d'algorithmes sensibles au déséquilibre de classes
Résultat : Si votre jeu de données a des classes avec 500, 200 et 150 échantillons respectivement, le jeu de données augmenté aura environ 500 échantillons pour chaque classe.
4. Multiplicateurs personnalisés (client Python uniquement)
Stratégie : Dictionnaire mappant les classes à un multiplicateur personnalisé
Objectif : Appliquer des facteurs d'augmentation spécifiques à des classes individuelles pour un contrôle fin.
Quand l'utiliser :
- Vous avez des exigences spécifiques pour la distribution des classes
- Les stratégies standard ne correspondent pas à vos besoins
- Vous souhaitez appliquer différents facteurs de multiplication à différentes classes
Résultat : En utilisant les proportions suivantes {"Classe A": 2, "Classe B": 1.5}.
La classe A est doublée, la classe B augmentée de 50%, et les autres classes restent inchangées.
Comparaison des stratégies
| Stratégie | Objectif | Colonne cible requise | Préserve les proportions | Paramètres client Python |
|---|---|---|---|---|
multiplier | Augmenter l'ensemble du jeu de données | Non | Oui | data_augmentation_strategy (décimal > 1) |
minority | Équilibrer les classes binaires | Oui | Non | data_augmentation_strategy=minority, data_augmentation_target_column |
not_majority | Équilibrer toutes les classes | Oui | Non | data_augmentation_strategy=not-majority, data_augmentation_target_column |
custom multiplier | Contrôle fin | Oui | Personnalisé | data_augmentation_strategy (dict), data_augmentation_target_column |
Implications en matière de confidentialité
L'augmentation de données affecte l'évaluation de la confidentialité de différentes manières. L'évaluation de la confidentialité des données augmentées repose sur le même ensemble de métriques utilisées pour l'anonymisation traditionnelle, mais nécessite des stratégies d'évaluation personnalisées pour évaluer son impact.
Types de calcul
Lorsque l'augmentation est appliquée, les métriques de confidentialité sont calculées selon plusieurs scénarios :
| Type de calcul | Données originales utilisées | Données avatar utilisées | Question de confidentialité |
|---|---|---|---|
| STANDALONE | Tous les originaux | Tous les avatars | Un enregistrement avatar peut-il compromettre la confidentialité de son original correspondant ? |
| BARYCENTERED | Tous les originaux | Toutes les données avatar, barycentrées par enregistrement original | L'agrégation de tous les avatars pour un enregistrement original peut-elle compromettre sa confidentialité ? |
| CLASS_BALANCING_BARYCENTER | Seulement les originaux augmentés | Seulement les avatars augmentés, barycentrés par enregistrement original | L'augmentation augmente-t-elle le risque de confidentialité pour les originaux qui ont été augmentés plusieurs fois ? |
Garanties de confidentialité
- Même confidentialité fondamentale – Les données augmentées maintiennent les mêmes garanties de confidentialité que l'avatarisation standard
- Évaluation supplémentaire – Les calculs
CLASS_BALANCING_BARYCENTERetBARYCENTEREDévaluent spécifiquement les risques introduits par la création de plusieurs avatars à partir du même original - Évaluation des risques – Les métriques de confidentialité quantifient le risque de ré-identification pour les enregistrements originaux et augmentés
Ressources supplémentaires
- Tutoriel client Python : Voir Tutoriel 6 : Augmentation de données pour des exemples pratiques utilisant notre client Python.
- Méthodologie principale : Données tabulaires simples pour les détails de l'algorithme sous-jacent
- Métriques de confidentialité : Métriques de confidentialité pour comprendre l'évaluation de la confidentialité