合成数据能否复现流行病学真实发现？基于对抗随机森林的复现研究
Can synthetic data reproduce real-world findings in epidemiology? A replication study using adversarial random forests
研究用对抗随机森林（ARF）合成表格型流行病学数据，复现了六篇流行病学论文的统计分析，涵盖血压、人体测量、心肌梗死、加速度计、孤独感和糖尿病，数据来自德国国家队列（NAKO）、不来梅 STEMI 登记 U45 研究和 Guelph 家庭健康研究。ARF 合成数据在描述性与推断性分析中均与原始结果一致，即便样本量-维度比偏低时也如此，且在效用、隐私保护、泛化性和运行时间上优于常用表格数据合成器。
作者：Jan Kapar、Kathrin Günther、Lori Ann Vallis、Klaus Berger、Nadine Binder、Hermann Brenner、Stefanie Castell、Beate Fischer、Volker Harth、Bernd Holleczek、Timm Intemann、Till Ittermann、André Karch、Thomas Keil、Lilian Krist、Berit Lange、Michael F. Leitzmann、Katharina Nimptsch、Nadia Obi、Iris Pigeot、Tobias Pischon、Tamara Schikowski、Börge Schmidt、Carsten Oliver Schmidt、Anja M. Sedlmair、Justine Tanoey、Harm Wienbergen、Andreas Wienke、Claudia Wigmann、Marvin N. Wright
摘要：由于数据访问受限和隐私问题，合成数据在应对流行病学中的实际挑战方面具有巨大潜力。然而，当前许多方法存在质量有限、计算需求高以及非专家难以使用等问题。此外，合成数据的常见评估策略往往无法直接反映统计效用，也无法充分衡量隐私风险。在此背景下，一个关键但尚未充分探索的问题是：合成数据能否在保护隐私的同时可靠地重现流行病学研究的关键发现。我们提出对抗随机森林（ARF）作为一种高效便捷的表格型流行病学数据合成方法。为评估其性能，我们复现了六篇流行病学出版物中的统计分析，涵盖血压、人体测量学、心肌梗死、加速度计测量、孤独感和糖尿病，数据来自德国国家队列（NAKO Gesundheitsstudie）、不来梅 STEMI 登记 U45 研究和 Guelph 家庭健康研究。我们进一步评估了数据集维度和变量复杂度如何影响合成数据的质量，并通过与常用表格数据合成器在效用、隐私、泛化和运行时间方面的比较，对 ARF 的性能进行了情境化评估。在所有复现研究中，基于 ARF 生成的合成数据的结果与原始发现始终一致。即使对于样本量与维度之比较低的数据集，复现结果在描述性和推断性分析中也与原始结果高度吻合。降低维度和变量复杂度进一步提升了合成质量。相对于其他合成器，ARF 在效用、隐私保护和泛化方面表现出良好性能，并具有更优的计算效率。
| 学科： | 定量方法（q-bio.QM）；人工智能（cs.AI）；机器学习（cs.LG）；应用（stat.AP）；机器学习（stat.ML） |
| 引用为： | arXiv:2508.14936 [q-bio.QM] |
| （或 arXiv:2508.14936v4 [q-bio.QM] 为此版本） | |
| https://doi.org/10.48550/arXiv.2508.14936 由 DataCite 颁发的 arXiv DOI |
|
| 期刊 参考： | International Journal of Epidemiology, 55(5), dyag164 (2026) |
| 相关 DOI： | https://doi.org/10.1093/ije/dyag164
链接到相关资源的 DOI |
提交历史
来自：Jan Kapar [查看电子邮件]
[v1]
2025年8月19日星期二 22:51:40 UTC（113 KB）
[v2]
2026年3月23日星期一 11:45:17 UTC（175 KB）
[v3]
2026年5月5日星期二 06:01:43 UTC（160 KB）
[v4]
2026年10月21日星期三 13:44:20 UTC（161 KB）
来源：arXiv cs.AI · arxiv.org