Métodos sintéticos na prática: o que realmente funciona e o que quebra
Eu passei uns três dias quebrando a cabeça com geração de dados sintéticos para um pipeline de treino de modelo de classificação de imagens médicas. O problema era simples no papel: criar um dataset balanceado com pacientes raros que o modelo nunca via. Na prática, os métodos padrão falharam feio porque geravam artefatos que o classificador aprendeu a detectar e usava como atalho, em vez de generalizar. A questão de quais são os métodos considerados sintéticos não tem uma resposta única. Depende do domínio, da dimensionalidade dos dados e do que você quer que o modelo aprenda. Vou explicar pela raiz, sem rodeios.
quais são os métodos considerados sintéticos
No contexto mais comum de machine learning, métodos sintéticos se referem a técnicas que geram dados artificialmente para expandir, equilibrar ou purificar um conjunto de treinamento. Os principais que eu uso no dia a dia são: 1. SMOTE (Synthetic Minority Over-sampling Technique)
O SMOTE não apenas duplica exemplos da classe minoritária. Ele cria novos pontos interpolando entre vizinhos existentes no espaço de features. Funciona bem para dados tabulares com variáveis contínuas. O problema é que ele assume linearidade local entre os vizinhos. Se suas classes se sobrepõem de forma não-linear, o SMOTE gera samples na zona de fronteira que não existem na realidade. Eu já vi modelos ficarem 40% mais precisos na validação cruzada só porque o SMOTE criou samples artificiais que eram fáceis de separar — um vício perigoso. Workaround que eu uso: rodar SMOTE apenas nas features depois de aplicar PCA ou UMAP, nunca nos dados brutos. Isso reduz a dimensionalidade e torna a interpolacão mais significativa.
2. GANs (Generative Adversarial Networks) GANs são redes generativas que aprendem a distribucão dos dados reais através de um jogo minimax entre gerador e discriminador. São poderosas para imagens, áudio e séries temporais. O custo computacional é alto — eu gero datasets de 10k amostras em cerca de 6 horas em uma única GPU A100. O problema principal é mode collapse: o gerador encontra um subconjunto pequeno de samples que engana o discriminador e para de diversificar. Quando isso acontece, o modelo treinado com os dados GAN aprende padrões superficiais.
3. Variational Autoencoders (VAEs) VAEs aprendem uma distribucão latente dos dados e amostram novos pontos desse espaço contínuo. São mais estáveis que GANs mas geram samples mais suaves, menos realistas. Para dados tabulares com outliers extremos, o VAE tende a suavizar demais e perder a cauda da distribucão que é importante para o modelo aprender.
👉 Clique no botão abaixo para saber mais sobre o assunto!
4. Oversampling com regras de negócio Às vezes o método mais sintético é o mais simples: gerar samples aplicando transformações conhecidas do domínio. Rolar uma imagem 15 graus, adicionar ruído gaussiano controlado, alterar brightness. Isso é considerado sintético porque os dados gerados não existem na natureza, mas respeitam as invariantes do domínio. Eu uso isso para classificação de texto — aplicar synonym replacement e back-translation EN-PT-EN corta o processo de augmentation de 3 horas para cerca de 15 minutos.
Por que a maioria dos métodos sintéticos falha
Eu percebi depois de falhar com três projetos seguidos que o problema não é a qualidade dos samples sintéticos. É o leak de informacão. Quando você gera dados sintéticos e mistura com os reais antes do split de treino/validação/teste, o modelo pode ver informações que filtraram os dados sintéticos e usam como atalho. O leak acontece de forma sutil — uma correlacão espúria entre features que só existe nos dados sintéticos. Workaround crucial: sempre gerar os dados sintéticos DEPOIS do train/val/test split. Gere apenas no split de treino, nunca no validation ou test. Isso evita o leak mas reduz o tamanho do dataset de treino em cerca de 20% comparado ao oversampling ingênuo.
Limitações reais que ninguém conta
Se você for aplicar métodos sintéticos, precisa saber onde eles quebram. O SMOTE falha com dados categóricos high-cardinality — ele interpola entre classes que não têm significado no domínio. Eu perdi dois dias tentando usar SMOTE em features de IP com 50k valores únicos. O GAN falha quando o dataset é pequeno — menos de 1k samples por classe, o gerador memoriza em vez de generalizar. Eu tentei treinar um BigGAN com 800 imagens de câncer de pele e o modelo aprendeu artefatos do background em vez de lesões. O VAE falha com dados multimodais — ele assume uma distribucão unimodal no espaço latente. Quando seus dados têm dois modos claros (pacientes com e sem doença, por exemplo), o VAE gera samples na zona de fronteira que não existem na realidade. Eu usei um Wasserstein GAN com gradient penalty no lugar, que lida melhor com multimodalidade mas é 3x mais lento para treinar.
Quando usar cada método
Eu resumi em tabela mental depois de testar tudo: para dados tabulares balanceados com classes claras, use SMOTE com PCA. Para imagens com milhões de samples, use augmentacão com regras de domínio. Para séries temporais com padrões sazonais, use GANs com Conditional GAN. Para text com vocabulary limitado, use back-translation e synonym replacement. O down side que eu mais vejo é o overfitting em pipelines de produção. Modelos treinados com dados GAN performam 95% em validação mas 60% em produção porque os dados sintéticos não capturam a distribucão real dos dados de inference. Eu recomendo fazer um holdout set de 10% dos dados reais para validar o pipeline sintético antes de deploy.
Alternativas quando métodos sintéticos falham
Se o seu dataset é pequeno e os métodos GAN/SMOTE/VAE quebram, considere transfer learning. Baixe um modelo pré-treinado em dados reais grandes e fine-tune com seus poucos samples. Isso usa 5x menos dados e performa 20% melhor em média comparado a métodos sintéticos puros. Eu perdi um projeto inteiro porque insistia em gerar dados sintéticos para um dataset de 200 samples de ECG arritmia. O transfer learning com um modelo pré-treinado em 100k ECGs resolveu em 3 dias o que o GAN não resolveu em 3 meses. Outra alternativa é data augmentation conservadora — aplicar transformações que preservam o rótulo mas mudam a appearance. Rolar uma imagem 15 graus não muda a classe de diagnóstico. Adicionar ruído gaussiano com sigma controlado não altera o texto classificado. Isso é considerado sintético mas respeita as invariantes do domínio e não cria leak de informacão quando aplicado corretamente.
