PCEvolve 是什么？用少量私有数据和生成式 API 合成训练集

私有对比演化（Private Contrastive Evolution，PCEvolve）是一种在保护隐私的前提下合成训练数据的方法，由上海交通大学和清华大学等团队在 2025 年 6 月提出，论文标题是《PCEvolve：通过少样本私有数据和生成式 API 进行私有对比演化的合成数据集生成》。

要解决的问题

很多专业领域的数据既稀缺又敏感，比如医疗影像、工业缺陷图片：手上可能只有几十张真实样本，而且出于隐私保护，不能直接分享出去，也不能交给外部的模型去学习。但要训练一个好模型，又需要大量数据。一个思路是借助强大的生成式 AI 接口（比如图像生成 API）合成大量逼真的样本。问题在于：如何让生成的数据贴近私有数据的特点，同时不泄露这些私有数据的信息？

背景：私有演化

已有一类方法叫私有演化（PE）：先让生成式 API 随机生成一批样本，再用私有数据给这些样本“投票”，挑出最像私有数据的那些，在它们的基础上让 API 生成变体，如此迭代，生成的数据会逐渐向私有数据的分布靠近。投票过程加入了差分隐私的噪声，保证不会泄露单个私有样本的信息。但当私有数据非常少时，这种逐个样本比对的方法效果有限。

PCEvolve 的改进

PCEvolve 的关键在于“对比”：它在迭代过程中，不只看单个数据点像不像，而是挖掘少量私有数据中固有的类别之间的对比关系。比如区分正常零件和有缺陷零件，重要的是两类之间的差异在哪里。PCEvolve 评估合成样本时，同时考虑它与本类私有数据有多接近、与其他类私有数据有多远，从而挑出更有区分度、更能体现类别差别的样本，再让生成式 API 在此基础上继续演化。整个过程同样满足差分隐私的保护要求。

效果

论文报告，在多个数据集上，PCEvolve 生成的合成数据训练出的模型，在多项指标上都优于私有演化和其他基于 API 的方法。这展示了结合少量私有数据和生成式 API 来低成本获得训练数据的潜力，为数据敏感行业提供了一种兼顾隐私与数据需求的方案。