该论文围绕表格数据合成技术展开系统评估。数据合成被视为在保护数据隐私的前提下利用数据的重要手段，近年来涌现出大量表格数据合成器（synthesizers），其中部分满足差分隐私（Differential Privacy）约束，另一些则仅基于启发式方式提供隐私保护。然而，由于现有评估指标本身存在缺陷，加之新开发的合成器（如基于扩散模型和大型语言模型的方法）缺乏与最先进统计合成器的直接对比，导致研究界对这些合成器的实际优缺点缺乏全面深入的理解。论文旨在通过系统化的评估框架，对多种合成器进行公平、全面的横向比较，揭示其在数据效用、隐私保护能力及可用性等方面的表现。研究可能涵盖对评估指标本身的反思，提出更合理的评估维度，并为合成器的选择提供科学依据。该工作对于隐私保护机器学习、数据发布等应用场景具有重要的参考价值，有助于研究者与从业者摆脱对单一指标或单一算法家族的盲目依赖，从实证角度理解不同技术路线（统计方法、扩散模型、大语言模型）在表格数据合成中的真正潜力与边界。由于当前仅有论文摘要，没有公开详细实验设置与结果，因此本摘要基于摘要信息进行概括，具体结论需参考完整论文。

在现实数据驱动应用中，许多场景依赖结构化文本记录（如临床分诊笔记、金融交易日志）进行下游学习与决策。然而，在隐私敏感领域（如医疗、金融），对这些记录的访问受到严格监管，通常只能获得少量私有样本用于模型开发与分析。现有的差分隐私数据合成方法面临困境：表格方法无法忠实建模自由文本，而基于文本的方法又常常破坏结构化约束。为此，本文提出 SelPE（Selection-guided Progressive Evolution），一种针对小样本私有结构化文本合成的选择引导渐进进化框架。SelPE 不依赖噪声聚合或私有模型训练，而是将隐私预算集中在一系列多批 top-1 选择上，从而在严格的隐私约束下实现高效引导。为了支持忠实且有效的合成，SelPE 通过两阶段生成流水线将语义抽象与模式实现解耦，并利用多通道距离核（同时建模文本、类别和数值字段的原始表示）评估候选样本。此外，非私有对比扩展机制在不增加额外隐私成本的前提下促进了多样性。广泛的实验表明，在严格的差分隐私预算下，SelPE 在低数据场景中持续提升了结构有效性、保真度和下游效用。该方法为隐私保护下的结构化数据合成提供了新思路，特别适用于数据稀疏但结构化要求高的领域。