04 合成数据与隐私计算：没有真数据，也能炼出好模型
这是「高质量数据集」专题的第四篇。
上一篇我们把"数据集怎么管"这件事讲透了——DVC、DataHub、LakeFS、Cleanlab、Great Expectations 分别补上版本、目录、血缘、清洗、质检五块短板。管理再好，也绕不开一个更底层的难题：高质量真实数据，要么不够，要么不能随便用。医疗病历、金融流水、工业参数，这些最值钱的数据恰恰最敏感，往往"出不了域、碰不得、合不了规"。
这就引出两个方向：能不能"造"出和真数据长得像、但里子没真人的合成数据？能不能让多家机构"数据不出门"也能一起把模型练强？ 前者是合成数据，后者是隐私计算。这篇我们就用 SDV、Gretel、PySyft、FEDML 四款工具，把这两件事讲清楚。
一、先建立一把"评测尺"
合成数据和隐私计算听着玄，但判断它们"行不行"，其实就看四把尺：
- 保真度（Fidelity）：合成出来的数据，分布、相关性、统计特征有多像真实数据？这是"像不像"的问题——不像，模型学了也白学。
- 隐私性（Privacy）：合成 / 训练过程中，能不能反推出某个真实个体的信息？这是"泄不泄"的问题——能反推，再像也不能用。
- 可用性（Utility）：拿它去训模型、做评测，下游效果能不能逼近用真数据？这是"管不管用"的问题——保真度高但模型不买账，也是空谈。
- 部署形态：是"本地把数据合成了再用"，还是"多方数据不动、只在密文上联合训练"？这决定了它能解"数据出域"还是"数据不出域"的哪一种困局。
四把尺一摆，四款工具就分边站了：SDV 和 Gretel 主攻"合成"，PySyft 和 FEDML 主攻"联合训练"。合成负责"造数据"，联邦负责"数据不动模型动"。
二、四款工具逐一点评
1. SDV —— 表格合成数据的"标杆库"（MIT，核心开源）
定位：SDV（Synthetic Data Vault）由 DataCebo 团队开源，是表格类合成数据领域最成熟的库之一。它把"怎么生成一张像真的假表"拆成一套可组合的模型：单表用高斯混合 / 高斯 copula，类别型、非平衡数据用 CTGAN，时间序列有专门的 DeepEcho 系列，底层还有 RDT 做数据类型的正反向转换。
解决什么痛点：你有一张客户表、一张病历表，但不敢拿去训练或外发。SDV 学懂这张表的分布后，吐出一万张"全新的、但长得一模一样"的假表——字段类型、取值范围、列间相关性都保住了，却没有一条对应真实个人。
坑点：
- 它擅长结构化表格，对自由文本、图像、音频这类非结构化数据基本不碰；
- 数据量太小或字段间关系极复杂时，合成质量会掉；
- 默认不保证"绝对不泄露"——它保真强，但隐私防护要配合差分隐私或专门评测。
适合谁：手里有敏感表格（金融、医疗、运营），想在不碰真数据的前提下做开发、测试、共享的团队。它是"造表格"的默认答案。
2. Gretel —— 合成数据 + 隐私体检（商用，含免费层）
定位：Gretel 是一家专注合成数据的公司，提供 SDK 和平台，不只"造数据"，还顺手给你做"隐私体检"——它会用成员推断攻击之类的手段，量化"这份合成数据泄露真人的风险有多高"，给出一个隐私分数。
解决什么痛点：很多企业卡在"造完不知道安不安全"。Gretel 把"生成 + 评测"打包：你拿到合成数据的同时，也拿到一份"隐私分 / 质量分"报告，方便拿去和合规、安全团队交底。它还覆盖文本、时间序列等更多模态。
坑点：
- 核心是商业产品，免费层有额度限制，大规模 / 高并发要走付费；
- 它更偏"托管式"体验，深度定制化不如自己搭 SDV 灵活；
- 隐私分数再高也不是法律免责牌，合规口径仍要按国标来。
适合谁：想要"开箱即用、最好带合规报告"的中小团队或业务方。它是"合成 + 体检"的一体机。
3. PySyft —— 隐私计算框架：数据不出门，模型一起练（开源，OpenMined）
定位：PySyft 由 OpenMined 社区开源，是隐私计算方向最有代表性的框架之一。它把三件"魔法"装进 PyTorch：联邦学习（模型去数据那头训练，参数回传）、差分隐私（往梯度里加可控噪声，让单条记录"隐身"）、加密计算（同态加密、安全多方计算，密文上直接算）。
解决什么痛点：最经典的画面——三家医院各有病历，谁都不肯把数据交出去。PySyft 让模型分别去三家"上门训练"，只把加密后的参数汇总，原始数据一步都不出本地。这正好对应政策里"数据不出域"的硬要求。
坑点：
- 概念门槛高（联邦、差分隐私、加密层层叠叠），上手曲线陡；
- 通信开销大，跨网络的训练比本地慢得多；
- 框架迭代快，API 偶有变动，生产化要投入工程力气。
适合谁：多家机构要"联合建模但不共享数据"的场景（跨院科研、跨行风控、跨企推荐）。它是"数据不动模型动"的发动机。
4. FEDML —— 联邦学习的"全栈框架"（开源）
定位：FEDML 是另一款开源联邦学习框架，定位更"全栈"——从单机调试、跨设备（手机 / 边缘）到跨机构（医院 / 银行）训练都覆盖，还配套了 MLOps、Launch 等部署与运维能力，研究落地都能用。
解决什么痛点：PySyft 偏"能力库"，FEDML 偏"工程平台"——它帮你把联邦训练的拓扑、调度、监控、上线一条龙跑起来，不用自己从轮子造起。对"我想真的把联邦系统跑在生产里"的团队更友好。
坑点：
- 功能全意味着配置项多，初见容易晕；
- 跨设备场景要考虑端侧算力、网络抖动、掉线重连，工程细节不少；
- 和 PySyft 一样，通信与协调成本是固有代价，不是框架能抹掉的。
适合谁：需要把联邦学习"真正部署运维起来"的团队。它是"联邦工程化"的现成脚手架。
三、一张清单看懂四款差异
- SDV：许可证——MIT（核心）；主攻——表格合成数据；最强项——模型丰富、保真度高、可本地跑；最该警惕的坑——只做结构化表、隐私需另配
- Gretel：许可证——商用（含免费层）；主攻——合成数据 + 隐私评测；最强项——开箱即用、带隐私 / 质量分数；最该警惕的坑——免费额度有限、深度定制弱
- PySyft：许可证——开源；主攻——隐私计算（联邦 + 差分隐私 + 加密）；最强项——数据不出域联合训练；最该警惕的坑——概念陡、通信开销大
- FEDML：许可证——开源；主攻——联邦学习全栈工程；最强项——跨设备 / 跨机构、带运维；最该警惕的坑——配置多、端侧工程细节重
一句话总结分工：SDV / Gretel 负责"把数据造出来"，PySyft / FEDML 负责"数据不动也能一起练"。它们甚至可以配合——用合成数据先脱敏，再进联邦训练，双保险。
四、怎么选：一张决策树
再看一眼它们怎么和政策"数据不出域"扣上——这正是六大行动里"价值释放 / 管理服务"的技术底座：
五、落到你自己的项目
给你四条最实用的落地规则：
- 有敏感表格、想本地造数据做开发测试 → 上 SDV，先把"假表"造出来，开发期彻底不碰真数据；
- 造完还想拿份"隐私和安全证明"去交底 → 叠 Gretel 做质量 / 隐私评测，省下自己写评测的功夫；
- 多家机构 / 多方数据，谁都不肯共享 → PySyft 上联邦 + 差分隐私，让模型去数据那头跑；
- 联邦系统要真正上线运维 → FEDML 把拓扑、调度、监控一锅端，别从零造轮子。
最后提醒一句合规（呼应前几篇的"红线"）：合成数据和隐私计算不是绕开合规的捷径——它能大幅降低泄露面，但"数据来源合法、最小必要、可审计"这些底线一条不少。工具帮你把"数据不出域、可用不可见"变成工程现实，而真正兜底的，还是那套写进国标的治理纪律。