城南有家老王包子铺，招牌大包子皮薄馅大，每天卖出一千个——这就是“真实数据”。隔壁小李想开分店，买了一批老王的包子反复研究，仿制出一批“合成包子”。问题来了：小李的包子到底像不像？当然不能只尝一个就下结论，得整笼整笼地比——先单看大小分布像不像（只盯一个特征），再看大小和重量的搭配像不像（多个特征的关系），还可以按大小分档、数一数每档数量对不对（分档数数），或者把两条“小于某直径的包子占比”曲线叠在一起、量它们的最大落差（曲线比差距）。本文就是带你当一回“统计评审”，学会用这些朴素又严谨的尺子，定量回答：合成数据到底有没有在统计上忠实于真实数据？这是合成数据上线前必须闯过的质检关，也是差分隐私数据发布前的最后一道闸门。

岗位关联

学完本节，你将掌握合成数据统计保真度的整套评估方法：用 KS 检验、卡方检验、MMD 与降维可视化，在数据发布和模型训练前守住质量底线——这是数据算法工程师的基本功，也是面试高频考点。

目录
  1. 可视化演示
  2. 保真度总览：为什么不能只“尝一个包子”
  3. 边缘分布度量：单看“包子大小”一个维度
  4. 联合分布度量：大小与重量的“搭配”也要像
  5. KS检验：量出两条曲线的“最大落差”
  6. 卡方检验：分档数数再对比
  7. 多维特征对比：十几项属性整体打包
  8. 高维降维可视化：把几十维“拍扁”到一张图上
  9. 方法选型实战：什么时候用哪把尺子
  10. AI 应用场景
  11. Python 演示
  12. 常见误区
  13. 面试题

可视化演示

\u53ef\u89c6\u5316\u5c55\u793a\u5408\u6210\u6570\u636e\u4e0e\u771f\u5b9e\u6570\u636e\u7684\u7edf\u8ba1\u4fdd\u771f\u5ea6\u68c0\u9a8c\u65b9\u6cd5\uff0c\u5305\u62ecKS\u68c0\u9a8c\u7684ECDF\u5bf9\u6bd4\u3001\u8054\u5408\u5206\u5e03\u6563\u70b9\u5bf9\u6bd4\u4e0e\u964d\u7ef4\u53ef\u89c6\u5316\u91cd\u53e0\u5ea6\u5206\u6790\uff0c\u4ea4\u4e92\u5207\u6362\u89c2\u5bdf\u4fdd\u771f\u5ea6\u8bc4\u4f30\u6838\u5fc3\u73af\u8282\u3002

本节配有交互动效（进入视口后自动加载，约 3KB）。

KS\u68c0\u9a8c\u4e0eECDF\u5bf9\u6bd4 \u771f\u5b9e\u6570\u636e\u4e0e\u5408\u6210\u6570\u636e\u7684\u7ecf\u9a8c\u7d2f\u79ef\u5206\u5e03\u51fd\u6570\u5bf9\u6bd4 KS\u7edf\u8ba1\u91cfD\u8861\u91cf\u4e24\u6761ECDF\u7684\u6700\u5927\u5dee\u503c D = sup|F\u2081(x) - F\u2082(x)| \u70b9\u51fb\u5207\u6362\u67e5\u770b\u8054\u5408\u5206\u5e03

保真度总览：为什么不能只“尝一个包子”

老王每天卖一千个包子（真实数据），小李仿制了一批（合成数据）。评审要回答“像不像”——但绝不能只咬一口就拍板：单个包子可能恰好很接近，也可能恰好差很远。正确姿势是把两批包子各自看成一个整体，比较“整笼的统计长相”——这就是统计保真度。

统计保真度（statistical fidelity）衡量的是：合成数据的概率分布与真实数据的概率分布有多接近。分布不是某个包子，而是“所有可能包子出现的规律”。如果两批包子的直径都集中在 7 厘米附近、散布程度也相似，我们才说统计上是忠实的。这个概念是差分隐私合成数据的关键质检项：模型既要在统计上像真实数据，又不能原样记住任何一条真实记录。

技术定义可以用“分布总偏差”来写：两堆包子直径密度曲线之间夹的面积越小，保真度越高。

就像评审画下两堆包子的直径曲线、量出阴影面积，面积越小，小李离“出师”越近。需要提醒的是：保真度追求“统计像”，而不是“逐条还原”——这正是合成数据与复制粘贴的本质区别。

Fidelity=1−12∫−∞+∞∣Preal(x)−Psynth(x)∣ dx\displaystyle \text{Fidelity} = 1 - \frac{1}{2} \int_{-\infty}^{+\infty} \left| P_{\text{real}}(x) - P_{\text{synth}}(x) \right| \, dx
这个分数等于 1 说明两条密度曲线完全重合；等于 0 说明完全不重叠。中间值越大，合成越“像”。
  1. 真实/合成密度P_real 和 P_synth 分别是真实包子与合成包子在直径 x 上的概率密度函数，描述“某个直径出现的可能性”。
    Preal(x), Psynth(x)P_{\text{real}}(x),\ P_{\text{synth}}(x)
  2. 绝对值差对每个直径 x，求两个密度值差多少，取绝对值避免正负抵消。
    ∣Preal(x)−Psynth(x)∣\left| P_{\text{real}}(x) - P_{\text{synth}}(x) \right|
  3. 全区间积分从最小到最大的所有直径上把偏差累加，得到“总差异面积”。
    ∫−∞+∞∣Preal(x)−Psynth(x)∣ dx\int_{-\infty}^{+\infty} \left| P_{\text{real}}(x) - P_{\text{synth}}(x) \right| \, dx
  4. 归一化与取补乘 1/2 把面积压到 [0,1]，再用 1 减，得到保真度分数。
    Fidelity=1−12∫−∞+∞∣Preal(x)−Psynth(x)∣ dx\displaystyle \text{Fidelity} = 1 - \frac{1}{2} \int_{-\infty}^{+\infty} \left| P_{\text{real}}(x) - P_{\text{synth}}(x) \right| \, dx

边缘分布度量：单看“包子大小”一个维度

评审的第一招：只关心一个特征。比如单看直径——把老王的一千个包子和小李的一千个包子分别画成直方图，一条“直径分布”就出来了。这种只盯着某一个变量、把其他变量都“忽略掉”的分布，叫边缘分布。

边缘分布是从联合分布“压扁”出来的。假设每个包子有两个属性：直径 X 和重量 Y。老王的联合分布 P_XY 描述“直径和重量同时取某值的概率”；而边缘分布 P_X 就是把这个联合分布对 Y 维度求和/积分，相当于问：“不管多重，光看直径长什么样”。

对比边缘分布时，常用直方图叠加、均值与方差对比等工具，后面要讲的 KS 检验也主要作用在这一层。评审先确认“单项指标像不像”，再决定要不要深挖更复杂的结构。

PX(x)=∫yPX,Y(x,y) dy\displaystyle P_X(x) = \int_{y} P_{X,Y}(x,y)\, dy
中文翻译：想知道“只按直径看，包子长什么样”，就把直径相同但重量不同的所有情况全部累加在一起。
  1. 联合密度P_XY(x,y) 是直径和重量同时出现的概率密度，张成一张二维“地形图”。
    PX,Y(x,y)P_{X,Y}(x,y)
  2. 对 y 积分固定直径 x，把所有可能的重量 y 累加，相当于把地形图沿“重量轴”压扁。
    ∫yPX,Y(x,y) dy\int_{y} P_{X,Y}(x,y)\, dy
  3. 边缘密度积分结果是只关于 x 的一维函数 P_X(x)，即直径的边缘分布。
    PX(x)P_X(x)

联合分布度量：大小与重量的“搭配”也要像

只看直径可能被骗：小李也许把直径仿得很像，但包子又大又轻、空心塌陷。于是评审要看第二个维度——直径和重量的搭配关系是否一致。这就是联合分布：多个特征同时取值的概率规律。

机械地比较联合分布不容易（二维以上样本越来越稀疏），实践中常用“相关性”作为抓手。皮尔逊相关系数衡量直径和重量呈同向变化的强度：老王的包子明显“越大越重”，小李的若是“大小和重量各管各”，相关性就露馅。

除了相关系数，还可以对比条件分布，例如“重量超过 100 克的包子，直径分布是否一致”。小李要学的不仅是“长得像”，还有“内在搭配像”——这正是联合分布度量的价值所在。

ρXY=Cov⁡(X,Y)σX σY\displaystyle \rho_{XY} = \frac{\operatorname{Cov}(X,Y)}{\sigma_X \, \sigma_Y}
取值范围在 -1 到 1 之间：接近 1 表示正相关强，接近 0 表示几乎无关。真实和合成的相关系数差得越远，联合分布就越不保真。
  1. 协方差Cov(X,Y) 描述两个特征一起偏离各自均值的倾向，正数表示同向变动。
    Cov⁡(X,Y)=E[(X−μX)(Y−μY)]\operatorname{Cov}(X,Y) = \mathbb{E}[(X-\mu_X)(Y-\mu_Y)]
  2. 标准差之积σ_X 与 σ_Y 的乘积是各自波动幅度的缩放，用来把协方差“无量纲化”。
    σX σY\sigma_X \, \sigma_Y
  3. 相除归一得到相关系数 ρ，相当于“标准化的协方差”，与量纲无关，可直接跨数据集对比。
    ρXY=Cov⁡(X,Y)σX σY\rho_{XY} = \frac{\operatorname{Cov}(X,Y)}{\sigma_X \, \sigma_Y}

KS检验：量出两条曲线的“最大落差”

现在评审要给出明确结论。KS 检验（Kolmogorov–Smirnov test）是两样本连续分布对比的经典方法。思路很朴素：先各自画出“经验分布函数”——横轴是直径，纵轴是“直径不超过该值的包子占比”，得到一条阶梯上升的曲线；然后量两条曲线之间最大的垂直落差 D。

这个最大落差 D 就是 KS 统计量。如果两批包子真是同一锅出的，两条曲线应该像双胞胎一样贴近，D 很小；如果小李的包子明显偏大，曲线就会整体右移，在某处拉开一道大口子。把 D 换算成 p 值——在“两分布相同”的假设下，出现这么大落差的概率。p 值小于 0.05 是常用的入行门槛：评审觉得“这不像巧合，两批包子确实不一样”。

可视化演示里红色双箭头标出的就是这个 D。KS 检验适合连续特征（直径、重量），一次只比一个特征；对比整个分布形状而不只是均值方差，是它最宝贵的特性。

D=sup⁡x∣Freal(x)−Fsynth(x)∣\displaystyle D = \sup_{x} \left| F_{\text{real}}(x) - F_{\text{synth}}(x) \right|
通俗说：把两条“小于某直径的包子占比”曲线叠在一起，找它们上下相差最大的那个垂直距离，就是 D。D 越大，分布差异越大。
  1. 经验分布函数F_real(x) 表示真实包子里直径不超过 x 的比例，样本越多，它越接近真实分布的累积函数。
    Freal(x)=1n∑i=1n1{Xi≤x}F_{\text{real}}(x) = \frac{1}{n} \sum_{i=1}^{n} \mathbf{1}\{X_i \le x\}
  2. 垂直落差固定 x，两曲线纵坐标之差的绝对值，描述“这个直径档位上两批包子差多少”。
    ∣Freal(x)−Fsynth(x)∣\left| F_{\text{real}}(x) - F_{\text{synth}}(x) \right|
  3. 上确界sup 表示在所有 x 里取最大的落差，等价于“两条曲线之间最宽的那条缝”。
    sup⁡x∣Freal(x)−Fsynth(x)∣\sup_{x} \left| F_{\text{real}}(x) - F_{\text{synth}}(x) \right|

卡方检验：分档数数再对比

包子直径不止能画连续曲线，也可以“分档”：小号（小于 6cm）、中号（6–8cm）、大号（大于 8cm）。分档后，每批包子各档个数就是频数。此时可以用卡方检验（chi-square test）比较“各档数量结构”是否一致。

做法：先按真实包子的各档占比，折算成“同样总数下，合成包子各档应有的期望个数 E_i”；再数合成包子各档实际个数 O_i。如果 O_i 和 E_i 处处接近，说明分档结构和真实数据一致；如果某个档位差得离谱，偏差会被放大进统计量。最后根据自由度 k-1 查卡方分布得到 p 值。

小李要保证从小号到大号各档占比都跟老王接近，不能“平均像但结构不一样”。卡方检验正是抓这种“结构性走样”的利器。

χ2=∑i=1k(Oi−Ei)2Ei\displaystyle \chi^2 = \sum_{i=1}^{k} \frac{(O_i - E_i)^2}{E_i}
卡方统计量把每一档“实际数与期望数的偏差”平方后除以期望数再求和。适合离散特征（如包子馅料口味、大小档位），也适合把连续数据离散化后的场景。
  1. 分档与频数把直径等属性切成 k 档，O_i 是合成包子落在第 i 档的实际个数。
    Oi,i=1,…,kO_i,\quad i=1,\dots,k
  2. 期望频数E_i 是按真实数据第 i 档占比乘以合成数据总数得到的“如果完全像，应该有多少个”。
    Ei=nsynth×p^i(real)E_i = n_{\text{synth}} \times \hat{p}_i^{(\text{real})}
  3. 偏差归一每档偏差平方后除以 E_i，放大小档位的相对偏差，避免大档位天然数大就主导结果。
    (Oi−Ei)2Ei\frac{(O_i - E_i)^2}{E_i}
  4. 全档求和把所有档的贡献加起来，得到卡方统计量，再结合自由度 k-1 查表得 p 值。
    χ2=∑i=1k(Oi−Ei)2Ei\chi^2 = \sum_{i=1}^{k} \frac{(O_i - E_i)^2}{E_i}

多维特征对比：十几项属性整体打包

包子的属性远不止两个：直径、重量、褶数、馅料比例、卖相评分……特征一多，逐个比较既不高效，还会漏掉跨特征的组合关系。这一节的思路是“整体打包对比”。

实践中有两类做法。一是比较协方差矩阵：真实数据的协方差矩阵编码了所有特征两两之间的联动关系，合成数据的矩阵应与之接近。二是用 MMD（最大均值差异，Maximum Mean Discrepancy）：把两批数据都映射到一个高维特征空间，分别求“重心”（均值嵌入），再量两个重心之间的距离。距离为零，说明两批数据在统计上无法区分。

协方差矩阵对比适合特征较少的情况，MMD 适合特征多且关系复杂的场景。两者都是小李“出师考核”的高阶科目——单项过关不算数，整体气质要一致。

MMD2=∥1m∑i=1mϕ(xi)−1n∑j=1nϕ(yj)∥2\displaystyle \text{MMD}^2 = \left\| \frac{1}{m}\sum_{i=1}^{m} \phi(x_i) - \frac{1}{n}\sum_{j=1}^{n} \phi(y_j) \right\|^2
可以把它想成：把每个包子的十几个属性“翻译”成一个高维坐标，然后问“两批包子的平均坐标差多远”。差得越近越保真。
  1. 特征映射φ(x) 把单个包子的原始特征映射到高维空间，让原本复杂的非线性差异可以被线性比较。
    ϕ(xi)\phi(x_i)
  2. 均值嵌入对真实和合成各求平均坐标，得到两个“重心”，代表各自分布的典型位置。
    1m∑i=1mϕ(xi),1n∑j=1nϕ(yj)\frac{1}{m}\sum_{i=1}^{m} \phi(x_i),\quad \frac{1}{n}\sum_{j=1}^{n} \phi(y_j)
  3. 距离平方两个重心之差的范数平方——重心靠得越近，两批数据的高维统计特征越一致。
    MMD2=∥⋅∥2\text{MMD}^2 = \left\| \cdot \right\|^2

高维降维可视化：把几十维“拍扁”到一张图上

特征再多，人眼也只能看二维或三维。高维保真度验证的常用辅助手段是降维可视化：把每个包子从高维坐标投影到二维平面上，让“真实点”和“合成点”在图上重叠展示。重叠得好，直观说明整体分布接近；重叠得差，哪里偏了也一目了然。

PCA（主成分分析）是其中最经典的线性方法：找到数据方差最大的几个方向，把点投影上去。它对应一个特征分解问题——数据的协方差矩阵 Σ 分解为方向矩阵 W 和方差缩放 Λ。t-SNE 则是非线性方法，更擅长展示局部邻域结构，但它会人为拉开或聚拢点，距离不完全保真，只能作为参考，不能替代定量检验。

降维图是“示意图”而不是“判决书”。评审以 KS、卡方、MMD 的数值为准，PCA 与 t-SNE 负责帮忙讲故事——直观汇报给老板看，但最终拍板靠数字。

ΣW=WΛ\displaystyle \Sigma W = W \Lambda
说人话：协方差矩阵“浓缩”了所有属性两两联动的信息，把它分解成“主方向”和“方向上的方差”，取前两个主方向就得到二维投影坐标。
  1. 协方差矩阵Σ 是全部特征两两协方差组成的矩阵，q 个特征就是 q×q 的方阵。
    Σ∈Rq×q\Sigma \in \mathbb{R}^{q \times q}
  2. 特征分解把 Σ 分解成 W 和 Λ，其中 W 的每一列是一个主方向（特征向量）。
    ΣW=WΛ\Sigma W = W \Lambda
  3. 主方向与方差Λ 对角线上是各主方向的方差（特征值），数值越大说明该方向数据散布越开；选最大两个方向即可投影到二维。
    Λ=diag⁡(λ1,λ2,…,λq)\Lambda = \operatorname{diag}(\lambda_1, \lambda_2, \dots, \lambda_q)

方法选型实战：什么时候用哪把尺子

评审工具箱已经齐了，最后是组合出题。实际工作中选型遵循简单原则：连续特征用 KS 检验逐维筛查；离散或分档数据用卡方检验；低维联合关系用相关系数与协方差矩阵对比；高维整体用 MMD；超高维先 PCA/t-SNE 可视化探路。没有一把尺子能一次覆盖全部，通常要组合出击。

阈值设定是工程中容易踩坑的地方。先约定显著性水平 α（常见 0.05），再决定“失败标准”：是任一特征 KS 的 p 值小于 0.05 就判不通过，还是要求所有指标同时超阈值。建议把 p 值、D 值、MMD、相关差异等归一化后合成一个综合保真度分数，作为版本迭代的追踪指标：生成模型每调一版，分数上升说明更保真。

小李最终出师要过“组合考核”：KS 查单维、卡方查结构、MMD 查多维、降维图给老板汇报，最后综合分数写进质检报告。这套流程，就是合成数据发布前的统计保真度验收标准。

S=∑i=1mwi mi,∑i=1mwi=1\displaystyle S = \sum_{i=1}^{m} w_i\, m_i, \qquad \sum_{i=1}^{m} w_i = 1
综合保真度分数 = 各检验指标（KS 的 D、卡方的 χ²、MMD、相关差异等）归一化后的加权和。权重由业务优先级决定。
  1. 指标项m_i 是第 i 个归一化后的保真度指标（0 最差、1 最好）。
    mi∈[0,1]m_i \in [0,1]
  2. 权重归一w_i 是各指标的重要程度，由数据敏感性和业务目标决定，所有权重加起来等于 1。
    ∑i=1mwi=1\sum_{i=1}^{m} w_i = 1
  3. 加权求和总分 S 越接近 1，表示整体统计保真度越高；每轮模型迭代后重算并记录趋势。
    S=∑i=1mwi miS = \sum_{i=1}^{m} w_i\, m_i

AI 应用场景

场景 1：差分隐私合成数据的发布前质检

阶段：数据生成与验证（合成数据管线的质量门禁）

解决的问题：传统做法只看均值方差，或人工抽查，既慢又漏；用 KS + 卡方 + MMD 自动比对真实与合成分布，把“像不像”变成一份可审计的质检报告。

具体案例：某政务数据开放平台要发布脱敏的市民出行数据。算法工程师用差分隐私生成模型合成 10 万条记录，再用本文流程逐特征跑 KS 检验、对离散字段跑卡方检验、整体算 MMD，全部指标通过后才准发布。

场景 2：金融反欺诈模型训练的少数类增强

阶段：训练数据增强

解决的问题：欺诈样本太少，模型学不到规律；直接复制又过拟合。用合成数据扩充少数类，但必须先验证合成样本的分布与真实欺诈样本一致，否则模型学到的是“假规律”。

具体案例：风控团队用生成模型合成欺诈交易记录，上线前把真实欺诈样本和合成样本放在一起跑 KS 检验和协方差对比，发现“交易金额”特征的 p 值显著，于是调整生成模型重新训练，直到所有指标通过。

场景 3：医疗电子病历的科研共享

阶段：隐私保护数据发布

解决的问题：病历数据涉及隐私，不能直接给科研机构；差分隐私合成病历既要脱敏，又要保证统计规律（年龄分布、诊断共病关系等）不失真。

具体案例：某医院生成合成病历数据集用于多中心研究。研究团队用边缘分布直方图对比、卡方检验检查诊断类别频数、t-SNE 可视化观察整体重叠，出具统计保真度报告后开放下载。

Python 演示

python34 行
import numpy as npfrom scipy import stats  def fidelity_report(real, synth, feat_names, bins=10):    """统计保真度评估：逐特征KS + 卡方 + 相关性对比"""    report = {}    for i, name in enumerate(feat_names):        ks_stat, ks_p = stats.ks_2samp(real[:, i], synth[:, i])        report['KS_' + name] = (round(ks_stat, 4), round(ks_p, 4))     shared = np.histogram_bin_edges(        np.concatenate([real[:, 0], synth[:, 0]]), bins=bins)    real_hist, _ = np.histogram(real[:, 0], bins=shared)    synth_hist, _ = np.histogram(synth[:, 0], bins=shared)    scale = real_hist.sum() / synth_hist.sum()    chi2_stat, chi2_p = stats.chisquare(synth_hist * scale, f_exp=real_hist)    report['chi2_' + feat_names[0]] = (round(chi2_stat, 4), round(chi2_p, 4))     real_corr = np.corrcoef(real[:, 0], real[:, 1])[0, 1]    synth_corr = np.corrcoef(synth[:, 0], synth[:, 1])[0, 1]    report['corr_diff'] = round(abs(real_corr - synth_corr), 4)    return report  if __name__ == '__main__':    rng = np.random.default_rng(42)    n = 2000    real = np.column_stack([rng.normal(50, 10, n),                            rng.normal(6000, 1500, n)])    synth = np.column_stack([rng.normal(52, 11, n),                             rng.normal(5800, 1600, n)])    for key, val in fidelity_report(real, synth, ['age', 'income']).items():        print(key, val)
目的：用一组真实数据和一组注入偏差的合成数据，演示 KS 检验、卡方检验、相关性对比三种保真度指标的完整计算流程。
  1. ks_stat, ks_p = stats.ks_2samp(real[:, i], synth[:, i])对每个特征做两样本 KS 检验，返回统计量 D 和 p 值。
  2. shared = np.histogram_bin_edges(...)用两组数据共同划定统一的分箱边界，保证频数可比。
  3. synth_hist, _ = np.histogram(synth[:, 0], bins=shared)统计合成数据在各箱的观察频数 O_i。
  4. chi2_stat, chi2_p = stats.chisquare(synth_hist * scale, f_exp=real_hist)卡方检验比较实际频数与期望频数。
  5. real_corr = np.corrcoef(real[:, 0], real[:, 1])[0, 1]计算真实数据两个特征的相关系数。
  6. report['corr_diff'] = round(abs(real_corr - synth_corr), 4)记录相关系数差异，作为联合分布保真度指标。
  7. rng = np.random.default_rng(42)固定随机种子，让结果可复现。

常见误区

误区跑完 KS 检验，看到 p 值 0.32，心里一块石头落地：“通过了，两批数据完全相同！”

正解p 值只是“反证法”的证据强度——p 大说明没有足够证据拒绝“两分布相同”的假设，但不等于证明了两分布相同。就像评审只尝了三个包子没吃出差别，不能说明两锅包子一模一样。样本量小时，即使差异明显，p 值也可能偏大。应结合 D 值等效应量和样本量一起判断。

为何常见：“不显著就等于相等”是假设检验最常见的直觉误区，把“无法证伪”误当成了“证实”。

误区算一下真实数据和合成数据的均值、方差，发现差不多，就直接宣布“保真度合格”。

正解经典的“Anscombe 四重奏”用四组均值、方差、相关几乎完全一样的数据，画出来却是四种完全不同的散点形状。合成数据完全可能均值方差都对，但分布是双峰的、或者特征间的相关方向反了。必须对比分布形状和联合结构，而不能只停留在均值方差。

为何常见：均值方差是描述性统计最先学到的指标，最容易想到，也最容易上手，于是被当成“够了”的标准。

误区拿到合成数据，不管特征是连续的还是离散的，全部丢给 ks_2samp，结果发现离散特征的 p 值忽大忽小，不知道怎么解读。

正解KS 检验的前提是两样本来自连续分布，对离散特征或大量相同取值（结）会很敏感、容易失真；此时卡方检验更合适。此外，KS 是逐特征独立检验，会漏掉跨特征的联合差异，需要配合 MMD 或协方差对比使用。

为何常见：scipy 一行 API 太方便，让人忽略了检验方法的前提假设和适用边界。

误区t-SNE 图画出来两团点几乎完全重叠，于是结论写成“统计保真度验证通过”。

正解t-SNE 优先保留局部邻域关系，全局距离会被拉伸或压缩，可能把真实差异“藏”起来；PCA 只保留线性方差最大的方向，非线性差异会被丢弃。可视化只能提供线索和汇报素材，最终必须回到 KS、卡方、MMD 等定量检验下结论。

为何常见：人眼对图形有天然的信任感，可视化直观、有说服力，容易让人忽略它的失真本质。

误区合成数据的目标就是保真度满分，最好连真实数据里某个人的身高体重组合都能还原出来。

正解差分隐私合成数据有两大目标——保真度与隐私，二者互相牵制。保真度越高，模型越可能“记住”原始记录，隐私泄露风险越大；反过来，隐私预算越小，保真度必然下降。评估保真度是配合差分隐私机制做的“平衡”动作，目标是“统计像”，而不是“逐条像”。

为何常见：把“生成质量”简单理解为“还原度”，忽略了合成数据存在的隐私保护初衷。

面试题

Q1. 关于 KS 检验的原假设（零假设），下列说法正确的是？

单选题 · easy

  • A.两组样本来自同一分布← 正确答案
  • B.两组样本的均值相等
  • C.两组样本的方差相等
  • D.两组样本相互独立

答案：A。KS 检验的原假设是“两样本来自同一连续分布”。均值（B）、方差（C）相等只是分布相同的必要而非充分条件；独立性（D）是完全不同的命题。就像评审先假设“两锅包子同一锅出的”，再去找反证。

Q2. 统计保真度的核心目标是？

单选题 · easy

  • A.合成数据包含所有真实数据点
  • B.合成数据的方差尽可能地大
  • C.合成分布贴近真实数据的统计分布← 正确答案
  • D.合成数据均值与真实数据完全一致

答案：C。统计保真度追求“分布贴近”而非“逐点还原”。逐条包含（A）是记忆而非生成，方差尽量大（B）会失真，均值一致（D）只是分布相等的一个方面。就像小李的目标是“整笼气质像老王”，而不是背下每一个包子。

Q3. KS 统计量 D 衡量的是什么？

单选题 · easy

  • A.两个直方图的面积之差
  • B.两经验分布函数的最大垂直距离← 正确答案
  • C.两组样本均值差除以标准差
  • D.两组样本相关系数之差

答案：B。KS 统计量定义为两个经验分布函数的最大垂直距离，B 正确。直方图面积差（A）是错误想象，均值差标准化（C）是 t 检验思路，相关系数差（D）衡量的是联动关系而非分布差距。

Q4. 卡方检验适合用于哪些场景？

多选题 · mid

  • A.分箱后频数数据的对比← 正确答案
  • B.类别属性频数的对比← 正确答案
  • C.未分箱连续数据的对比
  • D.大样本连续分布精确对比

答案：AB。卡方检验以分箱或类别频数为输入，A、B 正确。未分箱的连续数据（C、D）应首选 KS 检验；若要强行分箱，也可以间接用卡方，但直接把原始连续值作为频数输入不符合卡方检验的设定。

Q5. 关于边缘分布与联合分布的关系，正确的是？

单选题 · mid

  • A.边缘分布由联合分布对其他变量积分得到← 正确答案
  • B.边缘分布在任何情况下都等同于联合分布
  • C.联合分布总是两个边缘分布的乘积
  • D.两者之间没有任何数学上的联系

答案：A。边缘分布由联合分布对无关变量做积分（离散则求和）得到，A 正确。B 混淆了两者的定义差别；C 只对独立变量成立；D 完全错误。就像只看包子直径，就要把重量维度全部累加撇掉，只留下直径的规律。

Q6. 若真实数据与合成数据确实来自同一分布，KS 检验得到的 p 值通常会？

单选题 · mid

  • A.恰好为 0，且检验结果显著
  • B.通常较大，不足以拒绝两分布相同← 正确答案
  • C.恰好为 1，且两分布完全重叠
  • D.通常小于显著性水平 0.05

答案：B。原假设成立时，p 值在 0 到 1 之间近似均匀分布，小于 0.05 的概率只有 5%，所以通常较大，B 正确。恰好为 0（A）或恰好为 1（C）只在极端理论情况出现，D 与显著性水平的定义正好相反。

Q7. 哪项指标最适合整体比较两批多维数据的分布差异？

单选题 · hard

  • A.单特征的 KS 检验统计量
  • B.卡方检验的统计量
  • C.MMD 最大均值差异指标← 正确答案
  • D.单个特征的均值与方差

答案：C。MMD 把两批数据映射到高维空间比较重心距离，适合多维整体对比，C 正确。单特征 KS（A）和均值方差（D）只能逐维看，卡方（B）适用于分箱频数而非连续多维整体。就像十几项属性的包子要整体打包比，不能只看单项。

Q8. 关于 t-SNE 在保真度可视化中的作用，说法正确的是？

单选题 · hard

  • A.t-SNE 距离完全保真，可替代定量检验
  • B.t-SNE 展示局部结构清晰，但全局距离失真← 正确答案
  • C.t-SNE 与 PCA 的原理完全等价
  • D.t-SNE 适合大样本精确度量分布差异

答案：B。t-SNE 擅长保留局部邻域结构，但全局距离会被拉伸或压缩，B 正确。A 说“完全保真”不对，它不能替代 KS、MMD 等定量检验；C 混淆了线性与非线性方法；D 中 t-SNE 计算量大且不适合精确度量。

Q9. 关于 p 值的理解，下列正确的有？

多选题 · mid

  • A.p 值大不能证明两分布完全一致← 正确答案
  • B.p 值小于 0.05 常被视为差异显著← 正确答案
  • C.p 值等于两分布的重叠面积
  • D.p 值大小会受样本量的影响← 正确答案

答案：ABD。p 值只是“反证法”的证据强度：大 p 说明没有足够证据拒绝原假设（A），不能证明完全一致；p 小于 0.05 是常用显著阈值（B）；p 与重叠面积无关（C 错）；样本量越大，即使差异很小 p 也可能显著（D 对）。

Q10. 实战中评估合成数据保真度，合理的做法有？

多选题 · hard

  • A.结合边缘分布与联合分布一起检验← 正确答案
  • B.高维时用降维可视化辅助观察← 正确答案
  • C.仅凭均值方差相等就判定通过
  • D.结合差分隐私预算权衡保真度← 正确答案

答案：ABD。保真度验证要立体化，同时查边缘与联合分布（A）、用降维可视化辅助（B）是标准做法；只看均值方差（C）是最常见的偷懒误区；D 提醒我们保真与隐私互斥，不能只追保真而牺牲差分隐私保护。