【深度学习新浪潮】数据合成领域近三年研究进展与开源项目调研
一、数据合成的定义与核心价值
（一）定义
数据合成是指通过算法模型、仿真技术或规则引擎等手段，生成具有真实数据统计特征、语义逻辑或物理属性的人造数据的过程。与传统数据采集相比，其核心特征在于可控性（可定制数据维度与分布）、扩展性（突破真实数据采集瓶颈）和安全性（避免隐私信息泄露），且能覆盖真实世界中难以获取的边缘场景数据。近三年来，随着生成式AI与多模态技术的发展，数据合成已从单一文本/图像生成，演进为跨模态、高保真、可交互的复杂数据生成体系。
（二）解决的核心问题
- 数据稀缺与不均衡难题：针对小众领域（如小语种AI训练、罕见病医疗数据）、新兴场景（如双臂机器人协作）等真实数据不足的问题，通过合成技术构建规模化数据集。例如中文生成式模型因优质语料匮乏导致性能受限，合成数据可精准弥补这一缺口。
- 隐私保护与合规风险：在金融、医疗等敏感领域，直接使用真实数据易触碰隐私法规，而合成数据剔除了真实身份信息却保留统计特性，成为合规数据使用的核心方案。
- 数据质量与多样性不足：真实数据常存在标注错误、场景单一、同质化严重等问题，合成数据可通