Back to search

National and Kapodistrian University of Athens

Survey on Synthetic Data Generation Methods based on Generative Adversarial Networks

Abstract

dc:description

Η αυξανόμενη ανάγκη για δεδομένα υψηλής ποιότητας στη βιοπληροφορική και τη βιομηχανική βιοτεχνολογία έχει εντείνει το ενδιαφέρον για τη χρήση συνθετικών δεδομένων, ως λύση σε προκλήσεις που σχετίζονται με την ιδιωτικότητα, την έλλειψη δεδομένων και τη αξιόπιστη αναπαράστασή τους. Η παρούσα διπλωματική εργασία μελετά τη χρήση Αντιπαραθετικών Νευρωνικών Δικτύων (GANs) για τη σύνθεση πινάκων και χρονοσειρών που σχετίζονται με τη βιομηχανία. Παρουσιάζεται αναλυτική επισκόπηση σύγχρονων αρχιτεκτονικά GAN, όπως τα CTGAN, TabFairGAN, TimeGAN, DoppelGANger και το λογισμικό YData Fabric, με έμφαση στην προσαρμογή τους σε μικτά δεδομένα, σε εκμάθηση και στη διατήρηση χρονικής συνοχής. Επιπλέον, προτείνεται ένα δυικό πλαίσιο αξιολόγησης που συνδυάζει στατιστικά μεγέθη άμεσης αξιολόγησης (π.χ. Kolmogorov–Smirnov, Hellinger, JSD) και έμμεσες μεθόδους αξιολόγησης όπως η επίδοση σε ταξινομητικά και προβλεπτικά σενάρια. Τα πειραματικά αποτελέσματα βασισμένα σε δύο μελέτες περίπτωσης αποκαλύπτουν τα πλεονεκτήματα και τις αδυναμίες κάθε μοντέλου. Στα δεδομένα πίνακα, το CTGAN παρουσιάζει υψηλή οπτική ομοιότητα με τα πραγματικά δεδομένα αλλά εμφανίζει ενδείξεις υπερβολικής προσαρμογής, ενώ το TabFairGAN προσφέρει καλύτερη γενίκευση και στατιστική ευθυγράμμιση. Στα δεδομένα χρονοσειρών, το YData Fabric πετυχαίνει την υψηλότερη στατιστική ομοιότητα αλλά στερείται ρεαλιστικής δυναμικής, ενώ το TimeGAN διατηρεί ισορροπία μεταξύ χρονικής δομής και ποικιλομορφίας. Τα αποτελέσματα υπογραμμίζουν τη σημασία μιας πολυπαραμετρικής αξιολόγησης και παρέχουν χρήσιμες κατευθυντήριες γραμμές για την υπεύθυνη χρήση συνθετικών δεδομένων σε εφαρμογές της βιομηχανικής βιοτεχνολογίας.

Author and committee

dc:creator, dc:contributor.*
Authors dc:creator
  • Ρώσσιου Σοφία
  • Rossiou Sofia

Subjects

dc:subject × 2

Rights

Language dc:language
English

Identifiers

dc:identifier.*
Identifier
uoadl:5309034

Chain of custody

source
Harvested from
National and Kapodistrian University of Athens
Base URL
pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh
Last updated
2026-11-19
Source record
OAI-PMH GetRecord
citation

Ρώσσιου Σοφία; Rossiou Sofia. Survey on Synthetic Data Generation Methods based on Generative Adversarial Networks. 2025. https://pergamos.lib.uoa.gr/uoa/dl/object/5309034