FEST: Einheitlicher Rahmen zur Bewertung synthetischer Tabellendaten

Die Erzeugung synthetischer Daten mit generativen Machine‑Learning‑Modellen verspricht, die Privatsphäre bei der Nutzung echter Daten zu schützen, während gleichzeitig die Datenqualität erhalten bleibt. Trotz dieser Vorteile fehlt bislang ein einheitliches Bewertungssystem, das die Balance zwischen Datenschutz und Daten­nutzen transparent macht.

Mit dem neuen Framework FEST (Unified Framework for Evaluating Synthetic Tabular Data) wird diese Lücke geschlossen. FEST kombiniert verschiedenartige Privatsphäre‑Metriken – sowohl auf Angriffsebene als auch auf Distanzbasis – mit Ähnlichkeits‑ und Machine‑Learning‑Nutzen‑Kennzahlen. So entsteht ein ganzheitlicher Bewertungsansatz, der sowohl die Sicherheit als auch die Anwendbarkeit der synthetischen Daten abbildet.

Die Autoren haben FEST als Open‑Source‑Python‑Bibliothek implementiert und anhand mehrerer Datensätze getestet. Die Ergebnisse zeigen, dass das Tool die Privatsphäre‑Nutzen‑Trade‑Offs verschiedener Generierungsmodelle zuverlässig analysieren kann. Der komplette Quellcode steht auf GitHub zur Verfügung und ermöglicht Forschern sowie Praktikern, die Qualität synthetischer Tabellendaten systematisch zu prüfen.