想象你开了一家电影道具档案工坊。客户需要一批“员工登记表”，不能照搬真实员工，但又必须让导演一眼觉得可信。你请来一位画师，让他凭空画出假档案；又请来一位鉴定师，专门验证档案是否像真的。画师每画一张，鉴定师就挑刺；被骂得越多，画师越懂得补上细节。两人较劲到后来，假档案连资深 HR 都难辨真假。这个“画师”就是生成器，“鉴定师”就是判别器，而整条流水线就是生成对抗网络（GAN）。CTGAN 不是普通 GAN，它专门解决表格数据的三个老大难：字段类型混合、类别不均衡、连续列多峰。为了让画师不至于只画热门岗位，CTGAN 还引入了“制片人下订单”的条件机制。读完这篇，你会明白 CTGAN 如何把一张真实表格变成一张“以假乱真”的合成表格，并知道怎么评估它是否真的可信。

岗位关联

对 AI 从业者而言，CTGAN 是表格数据增强和隐私保护的重要工具。掌握它，意味着你能在真实数据不足或敏感时，依然安全地训练模型、分享数据、完成业务交付。

目录
  1. 可视化演示
  2. 生成对抗基础：画师与鉴定师的博弈
  3. 表格数据特点：一本格子册而不是一张照片
  4. 条件生成架构：制片人下订单
  5. 模式归一化：给连续列分抽屉
  6. 训练策略：打磨画师的手感
  7. TVAE对比：压缩复写机 vs 对抗画师
  8. 质量评估：合成档案要过三关
  9. 落地应用：把合成档案送进片场
  10. AI 应用场景
  11. Python 演示
  12. 常见误区
  13. 面试题

可视化演示

动态演示CTGAN的核心机制，通过全局/局部/动态/静态四种模式展示关键概念与交互流程。

本节配有交互动效（进入视口后自动加载，约 3KB）。

CTGAN：CTGA CTGAN核心思想与条件生成架 表格数据的预处理与模式感知 核心机制可视化 CTGAN整体架构与关键组件

生成对抗基础：画师与鉴定师的博弈

想象你经营着一家电影道具档案工坊。画师的任务是凭空画出“员工登记表”，鉴定师的任务是分辨这些登记表是真是假。画师每画一张，鉴定师就挑出一个破绽：字迹太整齐、年龄和岗位不匹配、某个字段的格式不对。画师吸收教训后继续画，鉴定师也继续升级眼光。几个月后，假档案连资深 HR 都很难一眼识破。

CTGAN 正是把这场“对抗”变成了算法。生成器 \(G\) 就是画师，它从一个随机噪声向量 \(z\) 出发，生成一条看起来像真实样本的表格记录；判别器 \(D\) 就是鉴定师，它接收一条样本并输出一个真实度分数，越接近 1 代表越像真的。训练时，生成器想骗过判别器，判别器想抓出生成器，两者互相逼对方变得更强。

回到档案工坊，这场比赛没有终点；画师和鉴定师互相成就。CTGAN 复用了这套博弈框架，但为了让画师理解表格世界的规则，还要加上条件订单和分档度量。这正是接下来几节要讲的内容。

min⁡Gmax⁡DV(D,G)=Ex∼pdata[log⁡D(x)]+Ez∼pz[log⁡(1−D(G(z)))]\displaystyle \min_G \max_D V(D,G) = \mathbb{E}_{x \sim p_{\text{data}}}[\log D(x)] + \mathbb{E}_{z \sim p_z}[\log(1 - D(G(z)))]
这个式子说的是：判别器尽量给真样本高分、给假样本低分，而生成器则设法让假样本被判别器当成真样本。
  1. 真实样本侧从真实表格分布 \(p_{\text{data}}\) 中取样本 \(x\)，让判别器输出尽可能高的 \(\log D(x)\)。
    Ex∼pdata[log⁡D(x)]\mathbb{E}_{x \sim p_{\text{data}}}[\log D(x)]
  2. 生成样本侧从随机噪声分布 \(p_z\) 中取 \(z\) 并生成假样本 \(G(z)\)，判别器要让它输出尽可能低的 \(\log(1 - D(G(z)))\)。
    Ez∼pz[log⁡(1−D(G(z)))]\mathbb{E}_{z \sim p_z}[\log(1 - D(G(z)))]
  3. 判别器求最大判别器通过 \(\max_D\) 让自己越来越会分辨真假。
    max⁡DV(D,G)\max_D V(D,G)
  4. 生成器求最小生成器通过 \(\min_G\) 让假样本在判别器眼中的“假概率”越来越小，即让 \(\log(1 - D(G(z)))\) 趋近于负无穷。
    min⁡GV(D,G)\min_G V(D,G)

表格数据特点：一本格子册而不是一张照片

道具档案工坊里的档案册不是一张照片，而是一本格子册。每行是一张档案卡，每列是一个固定字段：岗位是印章，城市是印章，年龄和工资则是滑尺上的刻度。画师如果只会画图，就会把印章和刻度一视同仁，结果画出来的卡片既不合规也不可信。

在数学上，表格数据集可以看作一组记录的集合。每一条记录是一个固定长度的字段向量，每个字段可能是离散类别，也可能是连续数值。

除了字段类型混合，表格还有三重麻烦：类别可能极不均衡，比如“行政岗”有 10 万条、“算法科学家”只有 50 条；连续列分布常有多个峰，比如工资有三个峰，分别对应保洁、开发和高管；行与行之间也没有图像像素那样的空间顺序。这意味着 CTGAN 不能照搬图像 GAN 的卷积套路，必须先给每个字段安排专门的处理方式：离散列用条件向量点单，连续列用模式归一化分档。

D={ri}i=1N,ri=(ri1,ri2,…,rim)\displaystyle \mathcal{D} = \{r_i\}_{i=1}^N, \quad r_i = (r_i^1, r_i^2, \dots, r_i^m)
简单说，一张表就是 \(N\) 条记录、每条记录 \(m\) 个字段的集合。
  1. 数据集合\(\mathcal{D}\) 表示整张表，花括号里是 \(N\) 条记录。
    D={ri}i=1N\mathcal{D} = \{r_i\}_{i=1}^N
  2. 一条记录\(r_i\) 表示第 \(i\) 行，类似一张档案卡。
    rir_i
  3. 字段向量每条记录由 \(m\) 个字段组成，\(r_i^j\) 表示第 \(i\) 行第 \(j\) 列的值。
    ri=(ri1,ri2,…,rim)r_i = (r_i^1, r_i^2, \dots, r_i^m)

条件生成架构：制片人下订单

如果画师只凭灵感随手画，冷门岗位的档案卡就会极少出现。于是档案工坊多了一位制片人：画师动笔之前，制片人喊一句“这次画一张高级算法工程师的档案卡”。这个“订单”就是条件向量。生成器必须服从订单，判别器也要检查成品是否真的符合订单。

CTGAN 的生成器输入不只是随机噪声，还会拼接一个代表目标类别的一热编码。一热编码像一个只有一盏灯亮着的开关面板，指明“这次要画哪个类别”。这种架构让生成器能针对指定类别生成样本，而不是把所有类别混成一团。

训练时还要配合“按类别采样”：制片人会刻意轮换冷门与热门类别，让每种印章都有机会被画。如果只按真实数据里的比例采样，冷门类别几乎不会被生成器看到，最终被模式崩溃吞掉。条件机制就是工坊里的排单表，保证冷门档案也能保质保量。

xfake=G(concat⁡(z,onehot⁡(cjk)))\displaystyle x_{\text{fake}} = G(\operatorname{concat}(z, \operatorname{onehot}(c_j^k)))
这里的含义是：把随机噪声和“类别订单”拼接起来，再交给生成器，生成结果就会倾向于满足这个订单。
  1. 随机噪声 \(z\)这是画师的灵感来源，让同一种订单也能画出细节不同的卡片。
    zz
  2. 类别订单\(\operatorname{onehot}(c_j^k)\) 表示第 \(j\) 个离散列的第 \(k\) 个类别，用一热编码表达“我要这个类别”。
    onehot⁡(cjk)\operatorname{onehot}(c_j^k)
  3. 拼接输入\(\operatorname{concat}\) 把噪声和类别订单拼成一个向量，作为生成器的整体输入。
    concat⁡(z,onehot⁡(cjk))\operatorname{concat}(z, \operatorname{onehot}(c_j^k))
  4. 生成输出\(x_{\text{fake}}\) 是生成器画出的假样本，理论上应该符合刚才的类别订单。
    xfake=G(⋯ )x_{\text{fake}} = G(\cdots)

模式归一化：给连续列分抽屉

工资刻度盘不是均匀的。如果只按最小值和最大值把工资压到 0 到 1，5 千和 5 万都会被挤到同一小格，画师根本看不清多峰结构。工坊的做法是：先看整列工资的直方图，哪里堆得高，就在那里设一个抽屉，每个抽屉都有自己的中心和宽度。

模式归一化就是为每个连续列拟合一个高斯混合模型，然后让每个数值选择概率最高的那个抽屉，再按抽屉的均值和标准差做档内归一化。这样一来，连续值转换成“选中的抽屉 + 档内位置”两部分，既保留多峰分布，又让数值范围变得可控。

生成器画完的是“抽屉 + 刻度”的编码，档案员还要做逆变换：把归一化后的值乘以 \(4\lambda_{m_i}\) 再加回均值，还原成真实工资。这就像画师画的是仪表盘读数，档案员最终把它翻译回工资条上的数字。

mi=arg⁡max⁡mN(xi∣μm,λm),x^i=concat⁡(onehot⁡(mi), xi−μmi4λmi)\displaystyle m_i = \arg\max_m \mathcal{N}(x_i \mid \mu_m, \lambda_m), \quad \hat{x}_i = \operatorname{concat}\left(\operatorname{onehot}(m_i),\ \frac{x_i - \mu_{m_i}}{4\lambda_{m_i}}\right)
这个式子的意思是：先给连续值找一个最合适的抽屉，再把抽屉编号和档内归一化后的数值拼起来，形成生成器能处理的连续向量。
  1. 选择抽屉\(m_i\) 是让高斯分布概率最大的档位编号，也就是最匹配的抽屉。
    mi=arg⁡max⁡mN(xi∣μm,λm)m_i = \arg\max_m \mathcal{N}(x_i \mid \mu_m, \lambda_m)
  2. 档内归一化用抽屉的均值 \(\mu_{m_i}\) 和标准差 \(\lambda_{m_i}\) 对原始值做缩放，把不同抽屉的数值拉到相近尺度。
    βi=xi−μmi4λmi\beta_i = \frac{x_i - \mu_{m_i}}{4\lambda_{m_i}}
  3. 抽屉编号独热把选中的抽屉编号变成一热编码，让“它是哪个抽屉”成为一个可微分的特征。
    onehot⁡(mi)\operatorname{onehot}(m_i)
  4. 拼接表示把抽屉编号和档内数值拼在一起，得到连续列的最终表示。
    x^i=concat⁡(onehot⁡(mi),βi)\hat{x}_i = \operatorname{concat}(\operatorname{onehot}(m_i), \beta_i)

训练策略：打磨画师的手感

画师和鉴定师每天过招，但工坊很快发现，如果鉴定师眼光太毒，画师会崩溃；如果太松，画师又会偷懒。为了让这场博弈稳定进行，CTGAN 加入了几项关键训练策略。

第一是按类别采样，确保冷门类别也有足够训练机会。第二是小批量合一（PAC），把多条合成样本打包成一个“合订本”交给判别器判断，避免判别器对单张卡片的局部细节过度敏感。第三是梯度惩罚，防止判别器的“眼光”在某个区域突然变得过于尖锐，导致训练震荡。

配合 Adam 优化器和损失曲线监控，训练不再是一场乱斗，而变成有节奏的切磋。画师虽然偶尔画歪，但整体会逐渐逼近真实表格的分布。

LGP=Ex^∼px^[(∥∇x^D(x^)∥2−1)2]\displaystyle L_{\text{GP}} = \mathbb{E}_{\hat{x} \sim p_{\hat{x}}}\left[(\|\nabla_{\hat{x}} D(\hat{x})\|_2 - 1)^2\right]
梯度惩罚的意思是：在真实样本和生成样本之间取中间样本，要求判别器的梯度大小尽量接近 1，从而让训练更平稳。
  1. 中间样本\(\hat{x}\) 是真实样本和生成样本之间的插值点。
    x^=ϵxreal+(1−ϵ)xfake\hat{x} = \epsilon x_{\text{real}} + (1 - \epsilon)x_{\text{fake}}
  2. 梯度范数\(\|\nabla_{\hat{x}} D(\hat{x})\|_2\) 表示判别器在中间样本处的梯度长度。
    ∥∇x^D(x^)∥2\|\nabla_{\hat{x}} D(\hat{x})\|_2
  3. 向 1 约束让梯度长度尽量接近 1，避免梯度爆炸或消失。
    (∥∇x^D(x^)∥2−1)2(\|\nabla_{\hat{x}} D(\hat{x})\|_2 - 1)^2
  4. 期望求和对所有中间样本的这个惩罚取平均，得到最终梯度惩罚项。
    Ex^∼px^[⋯ ]\mathbb{E}_{\hat{x} \sim p_{\hat{x}}}\left[\cdots\right]

TVAE对比：压缩复写机 vs 对抗画师

档案工坊还有另一种设备：复写机。它不靠画师和鉴定师吵架，而是让编码员把真实档案压缩成一串很短的数字，再让解码员尽可能把它还原。如果还原不了，说明潜变量里丢掉了关键信息。TVAE 就是这种思路的变分自编码器（VAE）版本。

TVAE 的目标不是让鉴别器分不出真假，而是让“编码—解码”过程尽量不损失原始信息，同时让潜变量 \(z\) 服从一个简单的先验分布。训练时它同时优化重建误差和 KL 散度，因此更稳定，也更少出现模式崩溃。

对比来看：CTGAN 有显式的条件向量，面对类别不均衡时控制力更强；TVAE 不需要对抗博弈，训练更稳定、更快，但对少数类别缺少“订单”机制。选择哪种工具，取决于你是更看重可控性，还是更看重训练稳定性。

log⁡p(x)≥Eqϕ(z∣x)[log⁡pθ(x∣z)]−DKL(qϕ(z∣x) ∥ p(z))\displaystyle \log p(x) \ge \mathbb{E}_{q_\phi(z|x)}[\log p_\theta(x|z)] - D_{\text{KL}}(q_\phi(z|x)\,\|\,p(z))
这个式子是变分自编码器的核心：既要让解码器还原得好，又要让编码器输出的潜变量别偏离先验太远。
  1. 编码器\(q_\phi(z|x)\) 把真实记录 \(x\) 压缩成潜变量 \(z\)。
    qϕ(z∣x)q_\phi(z|x)
  2. 解码器\(p_\theta(x|z)\) 从潜变量 \(z\) 还原出表格记录。
    pθ(x∣z)p_\theta(x|z)
  3. 重建项\(\mathbb{E}_{q_\phi(z|x)}[\log p_\theta(x|z)]\) 衡量还原效果，还原得越好，这个值越大。
    Eqϕ(z∣x)[log⁡pθ(x∣z)]\mathbb{E}_{q_\phi(z|x)}[\log p_\theta(x|z)]
  4. 正则项KL 散度让潜变量分布不要偏离标准正态先验太远，从而保证随机采样也能生成合理样本。
    DKL(qϕ(z∣x) ∥ p(z))D_{\text{KL}}(q_\phi(z|x)\,\|\,p(z))

质量评估：合成档案要过三关

画师和复写机都说自己造出了好档案，工坊不能只听生产者自夸。外部质检员必须同时拿真档案和假档案做对比，用数字说话。否则“合成数据一定安全、一定好用”只是一句空话。

第一关是分布保真度：单列分布要相似，列与列之间的相关性也要相似。第二关是隐私风险：合成样本不能和真实样本过度重复，也不能让攻击者推断某条真实记录是否在训练集里。第三关是下游效用：把合成表拿去训练模型，再在真实测试集上验证效果。列相关性是最常用的保真度指标之一。

就像道具档案要过三关：纸张纹理像不像、有没有泄漏真实员工指纹、演员拿着能不能顺利演戏。CTGAN 生成完并不等于交付完成，验收通过才是终点。

CorrDiff=1m2∑i=1m∑j=1m∣Cijreal−Cijsyn∣\displaystyle \text{CorrDiff} = \frac{1}{m^2}\sum_{i=1}^{m}\sum_{j=1}^{m}\left|C_{ij}^{\text{real}} - C_{ij}^{\text{syn}}\right|
这个公式计算真实表格与合成表格相关系数矩阵的平均绝对差异，差异越小，说明列间关系保留得越好。
  1. 真实相关矩阵\(C_{ij}^{\text{real}}\) 表示真实表格第 \(i\) 列和第 \(j\) 列的相关系数。
    CijrealC_{ij}^{\text{real}}
  2. 合成相关矩阵\(C_{ij}^{\text{syn}}\) 表示合成表格对应的相关系数。
    CijsynC_{ij}^{\text{syn}}
  3. 绝对值差异对每一对列求差值后再取绝对值。
    ∣Cijreal−Cijsyn∣\left|C_{ij}^{\text{real}} - C_{ij}^{\text{syn}}\right|
  4. 整体平均把所有列对差异求和后除以 \(m^2\)，得到平均相关性偏差。
    1m2∑i=1m∑j=1m∣Cijreal−Cijsyn∣\frac{1}{m^2}\sum_{i=1}^{m}\sum_{j=1}^{m}\left|C_{ij}^{\text{real}} - C_{ij}^{\text{syn}}\right|

落地应用：把合成档案送进片场

当质检全部通过，假档案就能派上用场。真实档案被锁进保险箱，工坊向合作方交付合成副本；训练数据不足时，把合成档案补进训练集，让模型看到更多样的样本。CTGAN 最常见的两个落地场景就是隐私保护和数据增强。

在数据增强场景里，合成数据并不是替代真实数据，而是作为补充。它本质上是在扩大训练集规模，让模型见过更多“类似但不同”的记录。

工具上，开源的 ctgan 库和 SDV 生态可以很方便地接入现有数据管线。但也要注意局限性：合成数据会继承真实数据的偏差；如果真实数据只有几百条，生成器只能学到非常有限的模式；隐私也不是自动保证的。CTGAN 不是魔术，而是一套会画档案的工坊流程，只有完整理解订单、分档、博弈和验收，才能真正用好它。

Dtrain=Dreal∪Dsyn,∣Dsyn∣=Nsyn\displaystyle D_{\text{train}} = D_{\text{real}} \cup D_{\text{syn}}, \quad |D_{\text{syn}}| = N_{\text{syn}}
这个式子表示把真实数据和合成数据合并成训练集，合成数据提供额外 \(N_{\text{syn}}\) 条样本。
  1. 真实数据\(D_{\text{real}}\) 是原始的真实表格。
    DrealD_{\text{real}}
  2. 合成数据\(D_{\text{syn}}\) 是 CTGAN 生成的样本集合。
    DsynD_{\text{syn}}
  3. 并集训练集\(D_{\text{real}} \cup D_{\text{syn}}\) 表示合并后的训练数据。
    Dtrain=Dreal∪DsynD_{\text{train}} = D_{\text{real}} \cup D_{\text{syn}}
  4. 合成数据量\(|D_{\text{syn}}| = N_{\text{syn}}\) 表示新增了多少条合成样本。
    ∣Dsyn∣=Nsyn|D_{\text{syn}}| = N_{\text{syn}}

AI 应用场景

医疗数据合规共享

阶段：数据准备 / 隐私保护

解决的问题：原始病历表不能离开医院，传统脱敏字段仍可能被重识别。CTGAN 在保持人口学特征、诊断分布和字段相关性的前提下，生成一份合成病历表，供外部建模团队使用。

具体案例：某三甲医院与药企合作开发预测模型，用 CTGAN 生成 5 万条门诊病历表。建模团队只在合成数据上训练模型，真实数据仅在内部验证时使用，既推进了合作，又守住了隐私底线。

电商小样本数据增强

阶段：模型训练 / 数据增强

解决的问题：交易表里正常样本极多、高风险样本很少，反欺诈模型对冷门类别欠拟合。CTGAN 的条件生成机制可以专门为“高风险交易”生成更多样本。

具体案例：电商风控团队把“高风险交易”作为条件向量，用 CTGAN 额外生成 3 万条高风险样本，再与真实数据混合训练反欺诈模型，最终在真实测试集上的召回率明显提升。

Python 演示

python32 行
import numpy as npimport pandas as pdfrom ctgan import CTGAN  def make_demo_table(n=3000, seed=42):    rng = np.random.default_rng(seed)    age = rng.normal(35, 10, n).astype(int)    city = rng.choice(["北京", "上海", "深圳"], n, p=[0.5, 0.3, 0.2])    job = np.where(age < 30, rng.choice(["客服", "开发"], n),                   rng.choice(["开发", "管理"], n))    salary = np.where(        (job == "开发") & (np.random.default_rng(seed + 1).random(n) < 0.5),        rng.normal(35000, 5000, n),        np.where(job == "管理", rng.normal(60000, 9000, n),                 rng.normal(9000, 2500, n))    )    return pd.DataFrame({"age": age, "city": city, "job": job, "salary": salary})  def main():    real = make_demo_table()    model = CTGAN(epochs=20, batch_size=128, log_frequency=True)    model.fit(real, discrete_columns=["city", "job"])    syn = model.sample(len(real))    corr_diff = float((real.corr() - syn.corr()).abs().to_numpy().mean())    print("synthetic rows:", len(syn))    print("correlation diff:", round(corr_diff, 4))  if __name__ == "__main__":    main()
目的：演示 CTGAN 从一张真实表格学习分布，再生成同等规模的合成表格，并用相关系数差异快速评估列关系保留程度。
  1. model = CTGAN(epochs=20, batch_size=128, log_frequency=True)创建 CTGAN 模型，并打开 log_frequency 选项，让类别不均衡的列更容易被正确建模。
  2. model.fit(real, discrete_columns=["city", "job"])用真实表格训练模型，同时告诉模型哪些列是离散类别列。
  3. syn = model.sample(len(real))从训练好的生成器中采样出与真实数据同样多的合成记录。
  4. corr_diff = float((real.corr() - syn.corr()).abs().to_numpy().mean())计算真实表和合成表相关系数矩阵的平均绝对差异，差异越小，列间关系保留得越好。
  5. if __name__ == "__main__":确保这份脚本可以直接从命令行运行。

常见误区

误区既然是合成数据，那再也不用担心隐私了，可以直接公开分享。

正解合成数据不是自动匿名化。如果模型过拟合或训练数据量小，合成样本可能是原始记录的变形甚至重复。配合成员推断攻击，攻击者仍可能判断某条真实记录是否在训练集里。交付前必须像“检查道具档案有没有带真实员工指纹”一样做隐私评估。

为何常见：GAN 生成的是“假档案”，人们容易误以为它和真实记录毫无关系，但生成器归根到底是从真实数据中学出来的。

误区我已经会写图像 GAN，把卷积网络换成全连接网络，就能直接处理表格数据。

正解表格列混合了离散和连续类型，类别可能极不均衡，连续列还常常是多峰分布。CTGAN 专门用条件向量和模式归一化处理这些差异；直接照搬图像思路会输出大量无意义类别和无法解释的数值。

为何常见：图像 GAN 和表格 GAN 都叫 GAN，人们容易忽略输入结构本质上的差异。

误区训练到最后判别器损失接近 0，说明合成表已经完美了。

正解GAN 是零和博弈，生成器和判别器的损失会交替震荡。判别器太弱或太强都会让损失失去参考意义。判断合成质量要看分布相似度、列相关性、隐私风险和下游任务效果。

为何常见：在普通监督学习中损失常与质量强相关，但这个直觉不能直接搬到对抗训练里。

误区合成数据成本低，直接生成一百万条，模型一定更准。

正解合成数据的信息量受真实数据约束。如果真实数据本身有偏或量很小，大量合成样本只会放大偏差，甚至变成重复样本。数据增强后需要在验证集上验证，而不是盲目堆量。

为何常见：“数据越多越好”是机器学习的常见直觉，但合成数据并不是独立的新信息。

误区TVAE 也是 GAN 的变体，只是把生成器换成了解码器。

正解TVAE 是变分自编码器，靠“重建误差 + KL 散度”训练，没有生成器和判别器的零和博弈；CTGAN 是条件 GAN，靠对抗训练学习分布。TVAE 通常更稳定，CTGAN 在类别不均衡时控制力更强。

为何常见：两者都来自同一个合成表格生态，使用方式也很像，容易让人误以为只是网络微调不同。

面试题

Q1. CTGAN 主要用来解决哪类问题？

单选题 · easy

  • A.表格数据合成生成← 正确答案
  • B.图像超分辨率重建
  • C.文本情感分类识别
  • D.语音信号降噪增强

答案：A。CTGAN 的定位是表格数据合成。图像、文本、语音都不是它的主要适用场景。就像档案工坊只做档案卡，不做风景画。

Q2. 与图像数据相比，表格数据最需要关注的特点是什么？

单选题 · easy

  • A.混合了离散列与连续列← 正确答案
  • B.像素天然有空间位置
  • C.字段之间完全独立
  • D.行顺序有明确含义

答案：A。表格列类型混合，离散列适合用类别处理，连续列需要归一化。图像像素有空间结构，行顺序通常没有固定含义。CTGAN 的很多设计都是为了处理“离散列 + 连续列”的混合问题。

Q3. CTGAN 中“条件向量”的主要作用是什么？

单选题 · easy

  • A.控制生成样本的类别← 正确答案
  • B.保存所有真实记录
  • C.替代生成器网络
  • D.计算判别器损失

答案：A。条件向量像“制片人下订单”，告诉生成器这次要画哪个类别。它不保存真实数据，也不替代网络结构。

Q4. 模式归一化处理连续列时，先把连续值转换成什么？

单选题 · mid

  • A.选档独热加档内数值← 正确答案
  • B.只保留最大最小值
  • C.所有列合并成一列
  • D.转换为图像 RGB 通道

答案：A。模式归一化先为连续列拟合多个高斯分布，每个值选择一个最匹配的“档位”，再用“档位独热 + 档内归一化数值”表示。这样能保留多峰分布，而不是简单压到最小最大值。

Q5. CTGAN 的训练策略包括以下哪些？

多选题 · mid

  • A.按类别概率采样训练← 正确答案
  • B.梯度惩罚稳住判别器← 正确答案
  • C.小批量合一组打包判断← 正确答案
  • D.用卷积替代全连接层

答案：ABC。CTGAN 通过按类别采样改善类别不均衡，用梯度惩罚稳定训练，并会把多条样本打包成组交给判别器判断。它不是图像模型，通常不会用卷积替代全连接层。

Q6. TVAE 和 CTGAN 最大的差别是什么？

单选题 · mid

  • A.TVAE 靠重构误差学习← 正确答案
  • B.TVAE 也使用鉴别器
  • C.TVAE 不包含编码器
  • D.CTGAN 不使用生成器

答案：A。TVAE 是变分自编码器，核心是“编码—解码”重构；CTGAN 是生成对抗网络，核心是“生成器—判别器”博弈。TVAE 不需要判别器，CTGAN 没有编码器。

Q7. 关于 TVAE 与 CTGAN 的说法，哪些是正确的？

多选题 · hard

  • A.TVAE 属于变分自编码器← 正确答案
  • B.CTGAN 属于变分自编码器
  • C.CTGAN 支持显式条件生成← 正确答案
  • D.TVAE 支持对抗零和博弈

答案：AC。TVAE 属于 VAE，CTGAN 属于条件 GAN。CTGAN 用条件向量显式控制生成类别，TVAE 没有生成器与判别器的对抗关系。两者差异不是超参数，而是根本训练范式不同。

Q8. 梯度惩罚项主要解决 CTGAN 训练中的什么问题？

单选题 · hard

  • A.判别器梯度异常不稳定← 正确答案
  • B.生成器无法输出数值
  • C.连续列缺失值增多
  • D.类别采样不再需要

答案：A。梯度惩罚限制判别器在中间样本处的梯度大小接近 1，避免判别器太强或太弱导致的训练震荡。它不负责处理缺失值，也不能替代类别采样。

Q9. 合成表格发布前，哪些信号值得警惕？

多选题 · mid

  • A.样本与真实记录高度重复← 正确答案
  • B.成员推断能判断真实记录← 正确答案
  • C.所有字段全部变成连续
  • D.生成器输出超出范围

答案：AB。重复率过高和成员推断攻击成功率偏高，都说明隐私风险大。所有字段都变连续说明预处理有问题；生成器输出超出范围不一定是隐私信号，但会影响可用性。

Q10. PAC 机制在 CTGAN 中的直观作用是什么？

单选题 · extreme

  • A.把多条样本打包让判别器判断← 正确答案
  • B.用卷积提取空间特征
  • C.删除所有离散类别列
  • D.把连续列均匀分给生成器

答案：A。PAC 是把一个小批量中的多条样本当作一个“合订本”交给判别器，让判别器在组级别上判断真假，从而避免过度依赖单条样本的局部细节。它不是卷积操作，也不删除或分配列。