SYNTHONY: Intelligente Auswahl von Tabular-Generatoren unter Stressbedingungen

Ein neues Forschungsprojekt aus dem Bereich der künstlichen Intelligenz präsentiert SYNTHONY, ein System zur intelligenten Auswahl von Deep‑Generative‑Modellen für tabellarische Daten. Die Arbeit adressiert ein zentrales Problem: Die Leistung von GANs, Diffusionsmodellen und LLM‑basierten Generatoren variiert stark je nach Datensatz, was die praktische Anwendung erschwert.

Die Autoren zeigen, dass die besten Generatorfamilien stark von „Stressfaktoren“ abhängen – etwa langen Schwanzverteilungen, hochkategorialen Merkmalen, Zipf‑Ungleichgewichten und kleinen Stichproben. Diese Schwankungen erschweren die Balance zwischen Genauigkeit, Datenschutz und Nutzen, wenn Anwender unterschiedliche Prioritäten haben.

Um dieses Problem zu lösen, entwickelt SYNTHONY ein „intent‑conditioned“ Auswahlverfahren. Dabei wird ein Datensatz zusammen mit einer Nutzerpräferenz über Bewertungsmetriken analysiert. Das System nutzt ein neu entwickeltes Stress‑Profiling, das vier interpretierbare Stressdimensionen erfasst, und vergleicht diese Profile mit einer kalibrierten Fähigkeits‑Registry von Generatorfamilien.

In einem Benchmark mit sieben Datensätzen, zehn Generatoren und drei unterschiedlichen Intents zeigte ein k‑Nearest‑Neighbors‑Selektor, der die Stress‑Features verwendet, eine sehr hohe Top‑1‑Auswahlgenauigkeit. Er übertraf deutlich die Zero‑Shot‑LLM‑Selektoren und zufällige Baselines. Die Analyse verdeutlicht, dass die handgefertigte Fähigkeits‑Registry der Hauptengpass ist, was die Entwicklung lernbasierter Fähigkeitsrepräsentationen vorantreibt.

Die Ergebnisse von SYNTHONY markieren einen wichtigen Schritt hin zu robusteren, benutzerorientierten Generierungswerkzeugen für tabellarische Daten und eröffnen neue Perspektiven für die automatisierte Modellwahl in datenintensiven Anwendungen.