19-EFT.WP.Methods.SynthData v1.0 | 第1章 合成数据域定义与范围

目录 ／ 文档-技术白皮书 ／ 19-EFT.WP.Methods.SynthData v1.0

第1章 合成数据域定义与范围

一句话目标：界定合成数据在 EFT 体系中的对象、输入/输出、约束与边界，确立可追溯、可审计、可重现的最小闭环。

I. 范围与对象

1. 输入对象
   • D_real（真实数据，已通过模式与契约校验，见《Methods.Cleaning v1.0》）
   • SRef（标准模式/字段词条/主外键/单位量纲）
   • 约束集 Rules（唯一性、参照完整性、物理/几何/能量守恒、时间/路径一致）
   • 目标分布与效用 Goals = {fidelity, utility}
   • 隐私预算与策略 Privacy = {eps, delta, budget, accounting}
   • 运行约束 Runtime = {SLO, cap, chan, retry}（见《EFT.WP.Core.Threads v1.0》）
2. 输出对象
   • D_syn（单模态合成数据）或 Bundle = {Tab, TS, Image, Text, Audio, Graph}（多模态包）
   • 评估报告 {report.fidelity, report.privacy, report.contracts}
   • 发布清单 manifest.synth 与签名 signature
3. 适用形态
   表格、时序与事件流、图结构、影像与多模态组合，覆盖离线批生成与流式按需生成。
4. 边界与非目标
   • 不裁决法律条文，仅提供合规接口与证据留存。
   • 不规定具体训练技巧与工程细节，统一以 I40-* 接口对外。

II. 名词与变量

• 数据与分布：D_real ~ p_data(x), D_syn ~ p_model(x; theta), theta, z ~ p(z)
• 条件与控制：c（condition/prompt）, SCM, G=(V,E)（场景图）
• 时间与路径：tau_mono, ts, gamma(ell), T_arr, delta_form, Delta_t
• 计量与单位：unit(x), dim(x), check_dim(expr)
• 权重与代表性：w(i), pi(i), n_eff = ( (∑ w)^2 ) / ( ∑ w^2 )
• 距离与指标：KL, JS, W1, MMD, FID, KID, covg
• 隐私与风险：eps, delta, eps_total, MI（membership inference risk）
• 质量与运行：q_score, psi（population stability index）, rho（负载）, P99

III. 公设 P401-*

• P401-1（可追溯）：任何生成与评估都必须落盘 TraceID、seed、rng 与 provenance。
• P401-2（模式先行）：先绑定 SRef 与 Rules，再选择引擎与采样，禁止无模式生成。
• P401-3（量纲守恒）：进入方程的字段强制 unit/dim，发布前执行 check_dim(expr)。
• P401-4（时基一体化）：内部 tau_mono，外部 ts；发布时记录 offset/skew/J。
• P401-5（到达时两口径）：涉及路径/传播必须并行计算
  T_arr = ( 1 / c_ref ) * ( ∫ n_eff d ell ) 与 T_arr = ( ∫ ( n_eff / c_ref ) d ell )，并评估 delta_form。
• P401-6（隐私预算显式）：DP(eps, delta) 会计必须显式，累计 eps_total 不得超出策略卡。
• P401-7（发布闸门）：仅当 pass = fidelity_ok ∧ privacy_ok ∧ contract_ok ∧ manifest_signed 时可发布。
• P401-8（可重现）：reproducible(seed)；相同 SynthSpec、seed/rng 与版本应产出等价样本。
• P401-9（最小泄漏）：对 MI/linkability/attribute 必须有风险上界与置信下界披露。
• P401-10（流式稳定）：在执行图 G=(V,E) 上满足队列稳定与背压约束，见《Core.Threads v1.0》。

IV. 最小方程 S401-*

• S401-1（代表性与权重）：n_eff = ( (∑ w_i)^2 ) / ( ∑ w_i^2 )；W_norm = ( ∑ w_i ) / N。
• S401-2（到达时差异）：delta_form = | ( 1 / c_ref ) * ( ∫ n_eff d ell ) - ( ∫ ( n_eff / c_ref ) d ell ) |。
• S401-3（时间映射）：ts = map_tau_to_ts( tau_mono; offset, skew )，抖动上界记作 J。
• S401-4（隐私会计，简单组合）：eps_total = ( ∑ eps_k )，delta_total = ( ∑ delta_k )。
• S401-5（覆盖率）（离散情形）：covg = | supp(D_syn) ∩ supp(D_real) | / | supp(D_real) |。
• S401-6（发布判据）：pass = fidelity_ok ∧ privacy_ok ∧ contract_ok ∧ manifest_signed。

V. 合成流程 M40-1（总流程）

1. 就绪条件
   • register_schema(SRef)；validate_dataset(D_real, Rules)；repair_units 与 check_dim 通过。
   • 明确 Goals, Privacy, Runtime 与 SynthSpec 初稿。
2. 设计与建模
   • 选择引擎 engine ∈ {copula, VAE, GAN, flow, diffusion, SCM}；设定先验/正则与控制变量 c。
   • 若含物理/几何约束，建立 SCM 或场景图 G=(V,E)。
3. 训练与校准
   fit_engine(D_real, SynthSpec)；跟踪收敛与早停；锁定 theta_ref 与版本。
4. 采样与组装
   sample(engine, n, condition=c, seed)；多模态以 compose_multimodal 组装 Bundle。
5. 规则执行
   enforce_constraints(D_syn, Rules)；deduplicate/foreign_key/unique；align_timepath 写入 T_arr 两口径与 delta_form。
6. 评估与阈值
   • measure_fidelity(D_real, D_syn, metrics={W1,MMD,FID,KID,covg})；
   • measure_privacy(D_real, D_syn, attacks, eps_delta)；
   • 产出不确定度与覆盖度，计算 n_eff。
7. 契约与发布
   assert_synth_contract(contracts)；若 pass，执行 freeze_release_synth(D_syn, tag) 并签名；否则 rollback(tag_prev)。

VI. 契约与断言（示例 C40-*）

• C40-101（模式与参照）：unique(pk) = true，foreign_key = true。
• C40-102（量纲）：check_dim( y - f(x) ) = true。
• C40-103（到达时）：delta_form ≤ tol_Tarr。
• C40-104（保真）：W1 ≤ tol_W1，MMD ≤ tol_MMD，FID ≤ tol_FID，covg ≥ covg_min。
• C40-105（隐私）：eps_total ≤ bud_eps，MI ≤ tol_MI（并附置信下界）。
• C40-106（规模与覆盖）：|D_syn| ≥ N_min，关键枚举/分层的 covg_group ≥ covg_min。
• C40-107（运行）：latency_p99 ≤ SLO.latency，error_rate ≤ SLO.error，流式 rho < 1。

VII. 实现绑定 I40-*（本章锚点）

• I40-11 design_synth_spec(schema, goals, constraints) -> SynthSpec
• I40-12 fit_engine(ds, model, priors|arch, privacy) -> engine
• I40-13 sample(engine, n, condition, seed) -> ds_syn
• I40-14 enforce_constraints(ds_syn, rules) -> ds_syn'
• I40-15 align_timepath(ds_syn, ref) -> ds_syn'（记录 T_arr 两口径与 delta_form）
• I40-16 measure_fidelity(real, syn, metrics) -> report
• I40-17 measure_privacy(real, syn, attacks, eps_delta) -> report
• I40-18 assert_synth_contract(ds_syn, contracts) -> report
• I40-19 freeze_release_synth(ds_syn, tag) -> manifest.synth

不变量：reproducible(seed)；sum(weights)/N ≈ 1；eps_total 不超预算；delta_form ≤ tol_Tarr；unit/dim 校核通过。

VIII. 交叉引用

• 清洗：单位/量纲、两口径、时基与路径、契约与发布，见《EFT.WP.Methods.Cleaning v1.0》第4/5/6/10章。
• 成像：物理可约束生成、PSF/噪声与时间门控，见《EFT.WP.Methods.Imaging v1.0》第5/7/13章。
• 跨统计：覆盖/功效/漂移与多重比较，见《EFT.WP.Methods.CrossStats v1.0》第4/6/7/14章。
• Core：DataSpec/Sea/Threads/Density 的模式、采集、执行图与测度，见《EFT.WP.Core.*》。

IX. 质量度量与风控

• SLI/SLO：latency_ms_p99, throughput, error_rate, drift_alert_rate, retrain_mttr。
• 漂移与基线更新：psi/W1/KL 周期监测；触发阈值后执行 recalibrate(engine) 或 rollback。
• 审计与回放：保存 TraceID, seed, rng, theta_ref，支持“同清单重放”。

小结