داده مصنوعی با شناسنامه

داده مصنوعی می‌تواند آزمون نرم‌افزار را ممکن کند، رخداد نادر را شبیه‌سازی کند، داده آموزش را گسترش دهد و استفاده مستقیم از برخی رکوردهای حساس را کاهش دهد. بااین‌حال «مصنوعی» فقط روش تولید را توصیف می‌کند؛ تضمین نمی‌کند خروجی خصوصی، نماینده، از نظر آماری مفید یا قابل انتشار باشد.

مجموعه داده مصنوعی به شناسنامه نیاز دارد: چه کسی آن را ساخته، جمعیت منبع چه بوده، هدف چیست، کدام کنترل حریم خصوصی اجرا شده، چگونه آزموده شده، چه کسی اجازه استفاده دارد و چه زمانی باید بازبینی یا بازنشسته شود.

از هدف شروع کنید، نه از مولد

هر هدف نوع متفاوتی از شباهت می‌خواهد:

سیاست داده مصنوعی اداره آمار بریتانیا تصریح می‌کند که داده مصنوعی همه ویژگی‌های داده واقعی را حفظ نمی‌کند و تناسب آن به روش ساخت و کاربرد وابسته است.

پیش از انتخاب مدل، کاربرد و استفاده ممنوع را بنویسید. «دسترسی بهتر به داده سلامت» مبهم است؛ «آزمون اعتبارسنجی schema توسط توسعه‌دهنده بیرونی بدون ادعای تحلیلی» قابل بازبینی است.

شناسنامه داده مصنوعی

هر نسخه باید کارت داده‌ای شامل بخش‌های زیر داشته باشد:

هویت و مالکیت

• شناسه، نسخه، تاریخ ساخت، مالک، متولی و راه تماس؛
• کاربر مجاز، محیط مورد تأیید، سطح دسترسی و مجوز استفاده؛
• کاربرد، کاربرد ممنوع، تاریخ بازبینی و محرک بازنشستگی.

نسب منبع

• نسخه و دوره زمانی داده منبع؛
• جمعیت، نمونه‌گیری، جغرافیا و گروه‌های مفقود؛
• فیلد حساس و مبنای حقوقی پردازش داده واقعی؛
• پاک‌سازی، جای‌گذاری مقدار مفقود، فیلتر، برچسب و تبدیل؛
• اثر داده عمومی، شبیه‌سازی یا مدل بنیادین بر تولید.

سابقه تولید

• نام و نسخه مولد، revision کد، پیکربندی، seed و پارامتر حریم؛
• محیط آموزش و کنترل دسترسی؛
• قیدهای قبل و بعد از تولید؛
• batch ردشده و دلیل رد؛
• ویرایش انسانی یا خودکار.

سابقه اعتبارسنجی

• آزمون فایده متصل به کاربرد؛
• آزمون حریم متصل به مدل مهاجم؛
• تحلیل گروه، رابطه شرطی، زمان و رخداد نادر؛
• بازبینی کارشناس دامنه؛
• مقایسه با داده واقعی و baseline ساده؛
• محدودیت حل‌نشده و تصمیم پذیرش.

این رکورد باید به تیم مستقل اجازه دهد تولید را تکرار و منطق اجازه استفاده را درک کند.

مصنوعی به معنی ناشناس نیست

مولد می‌تواند رکورد منبع را حفظ و بازتولید کند یا ترکیبی بسازد که با داده بیرونی فرد را شناسایی کند. داده نیمه‌مصنوعی ممکن است فیلد شخصی دست‌نخورده داشته باشد و خروجی کاملاً مصنوعی نیز درباره گروه کوچک ویژگی حساس افشا کند.

راهنمای فناوری‌های تقویت‌کننده حریم خصوصی ICO داده مصنوعی را روشی با ریسک باقیمانده می‌داند، نه معافیت خودکار از تکلیف حفاظت داده.

پیش از آزمون، مدل مهاجم را تعریف کنید:

• آیا مهاجم بعضی رکوردهای واقعی را می‌شناسد؟
• به خود مولد دسترسی دارد یا فقط فایل خروجی؟
• از حضور فرد در جمعیت آموزش خبر دارد؟
• می‌تواند خروجی را با داده عمومی یا تجاری پیوند دهد؟
• آیا ترکیب نادر، متن آزاد، تصویر یا زمان دقیق وجود دارد؟

سپس تطبیق دقیق یا نزدیک رکورد، membership inference، attribute inference، تک‌کردن رکورد نادر، پیوند با quasi-identifier و حفظ‌شدن متن یا تصویر را بسنجید.

اگر ادعای رسمی حریم لازم است، سازوکاری با تضمین تعریف‌شده را بررسی کنید. راهنمای NIST SP 800-226 نحوه ارزیابی ادعای حریم تفاضلی و فرض‌های آن را توضیح می‌دهد. مقدار epsilon تزئینی نیست؛ adjacency، accounting، composition، clipping، randomness و آزمون پیاده‌سازی باید مستند شوند.

شکست‌نخوردن حمله‌های رایج مجوز انتشار عمومی نیست. ابزار حمله ناقص است و داده جانبی آینده می‌تواند ریسک را تغییر دهد. کنترل دسترسی، قرارداد، محیط امن، بازبینی خروجی و نگهداری محدود نیز لازم‌اند.

فایده را با تصمیم نهایی بسنجید

شباهت توزیع تک‌متغیره ادعای کیفیت کافی نیست. دو مجموعه می‌توانند histogram مشابه و رابطه‌های کاملاً متفاوت داشته باشند.

برنامه آزمون را بر اساس کاربرد بسازید:

1. اعتبار ساختاری: نوع، قید، یکتایی، ارتباط جدول، null و خطای واقعی.
2. وفاداری تک‌متغیره: دامنه، فراوانی، مقدار مفقود و دنباله توزیع.
3. وفاداری چندمتغیره: هم‌بستگی، توزیع شرطی، تعامل، توالی و قید علّی مرتبط.
4. وفاداری گروهی: گروه کوچک، حساس، پرریسک و مهم عملیاتی.
5. وفاداری زمانی و جغرافیایی: فصل، drift، رخداد، منطقه و دوره سیاست.
6. فایده پایین‌دستی: اجرای تحلیل یا آموزش واقعی و مقایسه با داده واقعی و baseline.
7. امکان‌پذیری تخصصی: کارشناس موردی را پیدا کند که آماری عادی اما عملیاتی ناممکن است.

مقاله روش‌شناسی ONS طیفی مفید معرفی می‌کند: داده ساختاری برای آزمون کد با داده‌ای که رابطه چندمتغیره دقیق را حفظ می‌کند، فایده و ریسک افشای یکسان ندارد. واقع‌نمایی بیشتر می‌تواند ریسک حریم را بالا ببرد.

عدم قطعیت و شکست را کنار امتیاز شباهت گزارش کنید. یک نسخه شاید برای load test تأیید و برای آموزش رد شود؛ برای پژوهش تجمیعی مناسب و برای تصمیم فردی نامناسب باشد.

سوگیری، رخداد نادر و رکورد ناممکن

مولد ممکن است:

• رخداد نادر اما مهم را صاف کند؛
• سوگیری تاریخی منبع را تقویت کند؛
• با توازن کلاس، prevalence غلط القا کند؛
• ترکیب ناسازگار با قانون یا فیزیک بسازد؛
• گویش، لهجه یا وضعیت حسگر را کم‌نمایی کند؛
• خطای برچسب را در مقیاس بزرگ تکثیر کند؛
• گروه اقلیت را مصنوعی و بیش از حد تمیز نشان دهد.

قیدهای دامنه را به آزمون invariant تبدیل کنید. تاریخ تراکنش نمی‌تواند پیش از ایجاد حساب باشد؛ بعضی اقدام‌های پزشکی پیش‌شرط دارند؛ دو وضعیت ماشین ممکن است هم‌زمان ناممکن باشند. تفاوت «نادر» و «نامعتبر» را حفظ کنید.

در تقویت داده، تعداد نمونه مصنوعی هر کلاس را ثبت و مدل نهایی را روی مجموعه واقعی و دست‌نخورده بسنجید. رشد امتیاز روی آزمون مصنوعی شاید فقط یادگیری اثر انگشت مولد باشد.

آموزش و ارزیابی را جدا نگه دارید

آلودگی زمانی رخ می‌دهد که یک مولد و پرامپت هم داده آموزش و هم آزمون را بسازد، مدل بنیادین سازنده سؤال قبلاً پاسخ benchmark را دیده باشد، بازنویسی سرنخ پاسخ را حفظ کند یا داده مصنوعی از ورودی تولید منظم‌تر و آسان‌تر باشد.

از pipeline مستقل، holdout خصوصی، حذف تکرار و آزمون آلودگی استفاده کنید. پرامپت، seed، منبع و نسخه مدل را نگه دارید و تا حد ممکن نتیجه واقعی پس از استقرار را بسنجید.

راهنمای مجموعه ارزیابی و داده مصنوعی طراحی release set و مطلب مشاهده‌پذیری کیفیت داده پایش منبع تولید را پوشش می‌دهد.

سطح دسترسی و تصمیم انتشار

انتشار را دودویی نبینید:

1. sandbox داخلی: کاربر محدود و بدون تصمیم تولید.
2. پژوهش محدود: هدف تأییدشده، کاربر آموزش‌دیده و کنترل خروجی.
3. دسترسی شریک: قرارداد، حق حسابرسی، نگهداری و منع اشتراک مجدد.
4. انتشار عمومی: بازبینی افشا، مستند ماندگار، مجوز و عدم اتکا به حذف آینده.

برای هر سطح، تأییدکننده فایده، حریم، مبنای حقوقی، امنیت و ارتباطات را ثبت کنید. تأیید نسخه قبلی خودکار به نسخه جدید منتقل نمی‌شود.

drift، تولید دوباره و بازنشستگی

وقتی جمعیت، گردش‌کار، محصول، حسگر، قاعده کدگذاری، قانون یا مهاجم تغییر می‌کند، داده مصنوعی کهنه می‌شود. تاریخ بازبینی، آستانه drift، تغییر schema، رخداد حریم، تغییر مولد و تغییر هدف را به محرک تولید دوباره تبدیل کنید.

رجیستری باید نشان دهد هر نسخه در کدام مدل، تحلیل، آزمون و محصول استفاده شده است. با کشف نقص، این نسب دامنه اثر را روشن می‌کند. نسخه قدیمی را برای بازتولید حفظ کنید، اما پس از پایان کاربرد مجاز، دسترسی را ببندید.

چک‌لیست تأیید

پیش از انتشار ثابت کنید:

• هدف و کاربرد ممنوع دقیق‌اند؛
• داده منبع قانونی و امن پردازش شده است؛
• تولید تکرارپذیر و نسخه‌بندی شده است؛
• آزمون فایده با تصمیم واقعی مطابقت دارد؛
• آزمون حریم مدل مهاجم مشخص دارد؛
• گروه مهم و رخداد نادر بازبینی شده‌اند؛
• آموزش و ارزیابی مستقل‌اند؛
• دسترسی، اشتراک، نگهداری و حذف قابل اجراست؛
• محدودیت برای مصرف‌کننده آشکار است؛
• محرک بازبینی و بازنشستگی مالک دارد.

راهنمای اتوماسیون شواهد‌محور ساختار این بسته تأیید را توضیح می‌دهد.

پرسش‌های رایج

آیا داده مصنوعی از قانون حریم خارج است؟

خودبه‌خود خیر. تولید از داده شخصی یک پردازش است و خروجی ممکن است قابل پیوند یا افشاگر باشد. وضعیت حقوقی به داده، روش، توان مهاجم، حوزه قضایی و کنترل بستگی دارد.

آیا داده مصنوعی جای داده واقعی را می‌گیرد؟

برای هدف محدود، گاهی. داده ساختاری می‌تواند در توسعه جای رکورد واقعی را بگیرد. برای تحلیل یا آموزش، باید همان کاربرد اعتبارسنجی شود. نباید آن را نماینده کامل جمعیتی دانست که نمی‌تواند بازنمایی کند.

آیا حریم تفاضلی همه‌چیز را امن می‌کند؟

اگر درست پیاده و مستند شود، تضمین رسمی و محدود می‌دهد. فایده ممکن است کاهش یابد، پیکربندی مهم است و جزء غیرخصوصی یا پیوند بعدی همچنان ریسک دارد.

چه زمانی تولید دوباره لازم است؟

فقط به تقویم تکیه نکنید. تغییر توزیع منبع، schema، سیاست، محصول، حسگر، برچسب، مولد یا هدف مجاز باید محرک بازتولید باشد.

منابع و تاریخ بازبینی

این راهنما در ۸ مرداد ۱۴۰۵ (۳۰ ژوئیه ۲۰۲۶) به‌طور اساسی با منابع زیر بازبینی شد:

• سیاست داده مصنوعی اداره آمار بریتانیا
• پژوهش روش‌شناسی و طیف فایده-افشای ONS
• راهنمای فناوری‌های تقویت‌کننده حریم خصوصی ICO
• راهنمای NIST SP 800-226 برای ارزیابی تضمین حریم تفاضلی
• NIST SP 800-188 درباره ناشناس‌سازی و حکمرانی

داده مصنوعی یک مصنوع طراحی‌شده است، نه جایگزین رایگان واقعیت. ارزش آن از دانستن منشأ، دامنه نمایش و مرز اعتماد می‌آید.