JANUS: Liefert synthetische Daten mit 100% Konformität Unsicherheitsabschätzung

In der Welt der synthetischen Daten steht ein Quartett an Herausforderungen: die Treue zur Originalverteilung, die Kontrolle komplexer logischer Einschränkungen, die Zuverlässigkeit der Unsicherheitsabschätzung und die Effizienz des Rechenaufwands. Aktuelle Deep‑Generative‑Modelle wie CTGAN oder TabDDPM erreichen zwar hohe Treue, greifen jedoch auf ineffizientes Rejection‑Sampling zurück, wenn kontinuierliche Bereichsbedingungen gelten. Umgekehrt bieten kausale Strukturgleichungen exzellente logische Kontrolle, stoßen aber bei hochdimensionalen Daten und komplexen Rauschumkehrungen an ihre Grenzen.

JANUS (Joint Ancestral Network for Uncertainty and Synthesis) löst dieses Dilemma, indem es beides vereint. Das System nutzt einen gerichteten azyklischen Graphen aus Bayesschen Entscheidungsbäumen und führt einen Reverse‑Topological Back‑Filling‑Algorithmus ein, der Einschränkungen rückwärts durch das kausale Netz propagiert. Dadurch wird jede zulässige Einschränkung ohne Rejection‑Sampling zu 100 % erfüllt.

Zusätzlich ermöglicht JANUS eine analytische Unsicherheitszerlegung, die auf Dirichlet‑Prioren basiert. Im Vergleich zu Monte‑Carlo‑Methoden reduziert sich die Berechnungszeit für Unsicherheitsabschätzungen um das 128‑fache, ohne die Genauigkeit zu beeinträchtigen.

In umfangreichen Tests über 15 Datensätze und 523 eingeschränkte Szenarien erzielt JANUS einen Detection‑Score von 0,497 – ein neuer Maßstab für Treue. Das Modell verhindert Modenkollaps bei unausgeglichenen Daten und handhabt komplexe Inter‑Spalten‑Bedingungen exakt, zum Beispiel „Salary_offered ≥ Salary_requested“, wo herkömmliche Baselines versagen.

JANUS setzt damit neue Standards für die Generierung synthetischer Daten, indem es gleichzeitig höchste Treue, vollständige Konformität, schnelle Unsicherheitsabschätzung und effiziente Rechenleistung liefert.