Comparing Synthetic Tabular Data Generation Between a Probabilistic Model and a Deep Learning Model for Education Use Cases
University of Pretoria(比勒陀利亚大学);University of the Witwatersrand(金山大学)
生成合成数据的能力在不同的领域中具有各种用例。在教育研究中,越来越需要获得合成数据来测试某些概念和想法。近年来,几种深度学习架构被用于帮助生成合成数据,但结果各不相同。在教育背景下,实现需要大型数据集的不同模型的复杂性变得非常重要。本研究旨在比较概率模型(特别是贝叶斯网络)和深度学习模型(特别是使用分类任务的生成对抗网络)之间合成表格数据生成的应用。这项研究的结果表明,由于概率的相互依赖性,合成表格数据生成更适合使用概率模型的教育环境(总体准确率为75%),而不是深度学习架构(总体准确率为38%)。最后,我们建议应探索和评估其他数据类型在为教育用例生成合成数据方面的应用。
2022-10-16 cs.LG
Differentially Private Synthetic Data via APIs 4: Tabular Data
Microsoft(微软)
提出Tab-PE算法,将Private Evolution框架扩展至表格数据,通过启发式算子迭代优化候选数据集,在保持差分隐私的同时高效处理高阶相关性,相比基线AIM分类准确率提升最高10%,速度提升28倍。
2026-06-06 cs.LG
Convex space learning for tabular synthetic data generation
Institute of Computer Science, University of Rostock(罗斯托克大学计算机科学学院);Stellenbosch Institute for Advanced Study(斯泰伦博斯高等研究院);School of Data Science, Indian Institute of Science Education and Research Thiruvananthapuram(印度 Thiruvananthapuram 科学教育与研究学院数据科学学院)
本文提出 NextConvGeN 深度生成架构,通过学习表格数据邻域的凸空间生成完整合成数据集,并在十个生物医学数据集上验证其效用与隐私表现优势。
2025-02-20 cs.LG
TabSynDex: A Universal Metric for Robust Evaluation of Synthetic Tabular Data
Birla Institute of Technology and Science (BITS) Pilani(贝拉理工学院 Pilani校区);School of Computer Engineering, Kalinga Institute of Industrial Technology (Deemed to be University)(卡林加工业技术学院(准大学)计算机工程学院)
本文提出通用单一评估度量 TabSynDex,通过多分量得分衡量合成表格数据与真实数据的相似性,并可用于观察神经网络训练过程,实验证明其优于现有度量。
2024-06-08 cs.LG
Dependency-aware synthetic tabular data generation
Institute of Computer Science, University of Rostock, Germany(罗斯托克大学计算机科学研究所);Leibniz-Institute for Food Systems Biology, Technical University of Munich, Freising, Germany(马克斯·普朗克食品系统生物学研究所,慕尼黑技术大学);Stellenbosch Institute for Advanced Study, South Africa(斯坦伦博斯高级研究学院,南非);School of Data Science, Indian Institute of Science Education(印度科学教育与研究学院数据科学学院)
针对合成表格数据难以保持函数与逻辑依赖的问题,提出HFGF框架,先生成独立特征再依据规则重建依赖特征,并在多基准、六类模型上验证其结构保真度与下游效用提升。
2025-07-25 cs.LG
Hierarchical Synthetic Tabular Data Generation: A Hybrid Top-Down and Bottom-Up Framework
University of Southern California(南加州大学)
提出一种层次化混合自上而下和自下而上(H-TDBU)框架,通过解耦语义结构与随机纹理,结合结构驱动的逻辑约束和轻量级表格生成器,在弱多模态金融基准上提升合成数据的语义一致性和统计保真度。
2026-07-15 cs.LG
MIDST Challenge at SaTML 2025: Membership Inference over Diffusion-models-based Synthetic Tabular data
Vector Institute
本文探讨了基于扩散模型生成的合成表格数据在隐私保护方面的有效性,重点评估其对成员推断攻击的抗性,并开发了针对这些模型的新型攻击方法。
2026-05-13 cs.LG
FEST: A Unified Framework for Evaluating Synthetic Tabular Data
Communication Systems Group CSG, Department of Informatics, University of Zurich UZH(信息学院通信系统组、苏黎世大学)
本文提出统一评估框架FEST,整合隐私、相似性和机器学习效用度量,以开源Python库形式系统评估合成表格数据的隐私-效用权衡。
2025-08-22 cs.LG
Mitra: Mixed Synthetic Priors for Enhancing Tabular Foundation Models
Amazon(亚马逊)
本文首次系统研究表格基础模型中合成先验的关键属性,提出混合合成先验的Mitra模型,在分类和回归基准上优于TabPFNv2等最先进模型,且样本效率更高。
2025-10-24 cs.LG
Reimagining Synthetic Tabular Data Generation through Data-Centric AI: A Comprehensive Benchmark
Aarhus University(奥胡斯大学);University of Cambridge(剑桥大学);University of Belgrade(贝尔格莱德大学)
本文提出一个以数据为中心的综合基准框架,通过在11个表格数据集上评估5种先进生成模型,揭示数据画像对提升合成数据代表性及分类性能的关键作用。
2023-10-25 cs.LG
A Comprehensive Survey of Synthetic Tabular Data Generation
School of Artificial Intelligence, Jilin University(吉林大学人工智能学院);Department of Data Science, New Jersey Institute of Technology(新泽西理工学院数据科学系)
本文系统综述了合成表格数据生成方法,整合传统生成方法、扩散模型和大语言模型三类技术,并从背景、生成方法、应用与挑战三方面梳理研究现状与未来方向。
2025-07-17 cs.LG
ConvGeN: Convex space learning improves deep-generative oversampling for tabular imbalanced classification on smaller datasets
University of Rostock(罗斯托克大学);Leibniz-Institute for Food Systems Biology(莱布尼茨食品系统生物学研究所);Technical University of Munich(慕尼黑工业大学);Technische Universität Dresden(德累斯顿工业大学)
数据通常以表格格式存储。一些研究领域倾向于使用不平衡的表格数据。由于类别不平衡,对此类数据进行监督机器学习通常很困难。合成数据生成,即,过采样是用于提高分类器性能的常用补救措施。最先进的线性插值方法,如LoRAS和ProWRAS,可用于从少数类的凸空间生成合成样本,以提高此类情况下的分类器性能。深度生成网络是用于合成样本生成的常见深度学习方法,广泛用于合成图像生成。然而,它们在不平衡分类背景下生成综合表格数据的范围没有得到充分探讨。在这篇文章中,我们表明,与基于线性插值的方法相比,现有的深度生成模型在较小的表格数据集上的不平衡分类问题上表现不佳。为了克服这个问题,我们提出了一个深度生成模型ConvGeN,它将凸空间学习的思想与深度生成模型相结合。ConvGeN学习少数类样本的凸组合的系数,使得合成数据与多数类足够不同。我们的基准测试实验表明,与现有的深度生成模型相比,我们提出的模型ConvGeN改善了这种小数据集上的不平衡分类,同时与现有的线性插值方法相当。此外,我们还讨论了我们的模型如何用于一般的合成表格数据生成,即使在数据不平衡的范围之外,也可以提高凸空间学习的整体适用性。
2022-07-13 cs.LG
Hierarchical Conditional Tabular GAN for Multi-Tabular Synthetic Data Generation
KTH(皇家理工学院)
本文提出 HCTGAN 算法用于从复杂多表数据集高效合成多表数据,实验表明其在深度复杂多表数据集上比概率模型 HMA1 采样更高效且始终保证参照完整性,而 HMA1 更适合侧重数据质量的小数据集。
2024-11-11 cs.DB cs.LG
Permutation-Invariant Tabular Data Synthesis
TU Delft(代尔夫特理工大学);University of Torino(都灵大学)
表格数据合成是一种新兴的方法,可以规避严格的数据隐私法规,同时通过大数据发现知识。虽然最先进的基于AI的表格数据合成器,例如,table-GAN、CTGAN、TVAE和CTAB-GAN在生成合成表格数据时是有效的,它们的训练对输入数据的列排列敏感。在本文中,我们首先进行了广泛的实证研究,揭示了这样一个性质的排列不变性和深入分析现有的合成器。我们发现,由于表格数据的编码和网络架构,改变输入列的顺序将真实数据和合成数据之间的统计差异降低了38.67%。为了充分释放大合成表格数据的潜力,我们提出了两种解决方案:(i)AE-GAN,一种使用自动编码器网络来表示表格数据和GAN网络来合成潜在表示的合成器,以及(ii)一种特征排序算法,用于为基于CNN的合成器找到合适的输入数据列顺序。我们在五个数据集上评估了所提出的解决方案对列排列的敏感性、合成数据的质量以及在下游分析中的实用性。我们的研究结果表明,我们增强了训练合成器时的置换不变性,并进一步提高了合成数据的质量和效用,高达22%,相比现有的合成器。
2022-11-17 cs.LG
DATGAN: Integrating expert knowledge into deep learning for synthetic tabular data
École Polytechnique Fédérale de Lausanne(洛桑联邦理工学院)
合成数据可用于各种应用中,例如校正偏差数据集或出于模拟目的替换稀缺的原始数据。生成对抗网络(GANs)被认为是开发生成模型的最新技术。然而,这些深度学习模型是数据驱动的,因此难以控制生成过程。因此,它可能导致以下问题:生成的数据缺乏代表性,引入偏差,以及过拟合样本噪声的可能性。本文提出了有向非循环表格GAN(DAT GAN),通过将专家知识集成到深度学习模型中来生成合成表格数据,从而解决这些局限性。这种方法允许使用有向无环图(DAG)显式指定变量之间的交互。然后将DAG转换为修改的长短期记忆(LSTM)单元的网络以接受多个输入。多个DATGAN版本在多个评估指标上进行了系统测试。我们表明,最好的版本的DATGAN优于国家的最先进的生成模型在多个案例研究。最后,我们展示了DAG如何创建假设的合成数据集。
2022-03-07 cs.LG
Democratizing Tabular Data Access with an Open$\unicode{x2013}$Source Synthetic$\unicode{x2013}$Data SDK
针对隐私等因素导致的表格数据获取壁垒,本文推出开源MOSTLY AI合成数据SDK,依托TabularARGN框架集成差分隐私等功能,支持多类表格数据合成,性能优异、易用性强,可推动数据民主化。
2025-11-13 cs.LG
TAEGAN: Generating Synthetic Tabular Data For Data Augmentation
National University of Singapore(国立新加坡大学);Betterdata AI Singapore(Betterdata AI新加坡)
TAEGAN通过引入自监督预热训练和改进的损失函数,提升表格数据生成的稳定性与效率,优于现有方法。
2025-12-12 cs.LG
LLM-TabLogic: Preserving Inter-Column Logical Relationships in Synthetic Tabular Data via Prompt-Guided Latent Diffusion
Department of Engineering, University of Cambridge(剑桥大学工程系);The Alan Turing Institute(艾伦·图灵研究所)
本文提出LLM-TabLogic方法,利用大语言模型推理捕捉表格列间的复杂逻辑关系,并通过Score-based Diffusion模型在潜在空间中生成数据,以在不需领域知识的情况下有效保持合成表格数据中的列间关系。
2026-05-17 cs.LG
Preserving logical and functional dependencies in synthetic tabular data
Institute of Computer Science, University of Rostock(罗斯托克大学计算机科学学院);Leibniz-Institute for Food Systems Biology(莱布尼茨食品系统生物学研究所);Technical University of Munich, Freising(慕尼黑工业大学弗赖辛校区);Stellenbosch Institute for Advanced Study(斯泰伦博斯高级研究院);Indian Institute of Science Education and Research, Thiruvananthapuram(特里凡得琅印度科学教育与研究学院)
本文引入属性间逻辑依赖概念及量化度量,评估多种最先进合成数据生成算法在公开数据集上保留逻辑与函数依赖的能力,发现现有算法未完全保留函数依赖但部分能保留逻辑依赖,为开发特定任务模型提供研究契机。
2024-09-26 cs.AI cs.LG
Language Models are Realistic Tabular Data Generators
University of Tübingen(蒂宾根大学);Technical University of Munich(慕尼黑工业大学)
本文提出 GReaT,利用自回归 LLM 生成逼真表格数据,并支持以任意特征子集为条件、无额外开销采样其余特征,实验表明其在多类数据集上达到最先进性能。
2023-04-22 cs.LG
Generating Synthetic Relational Tabular Data via Structural Causal Models
CONTACT Software GmbH(CONTACT软件公司)
本文提出基于结构因果模型的新框架,用于生成包含跨表因果关系和复杂依赖关系的合成关系型表格数据,并通过实验验证其能够模拟真实场景,弥补现有方法仅针对单表数据的不足。
2025-07-04 cs.AI cs.LG stat.AP
CARTGen-IR: Synthetic Tabular Data Generation for Imbalanced Regression
本文提出CARTGen-IR方法,通过相关性和密度引导采样生成不平衡回归的合成表格数据,具有高效执行和高透明度的优势。
2026-03-10 cs.LG
Synthetic Data Blueprint (SDB): A modular framework for the statistical, structural, and graph-based evaluation of synthetic tabular data
SYNTHAINA AI
SDB是一种模块化框架,用于评估合成表格数据的统计、结构和基于图的保真度,适用于医疗、金融和网络安全等不同领域。
2025-12-16 cs.LG
Engineering Regression Without Real-Data Training: Domain Adaptation for Tabular Foundation Models Using Multi-Dataset Embeddings
Massachusetts Institute of Technology(麻省理工学院)
本文提出一种无需真实数据训练的工程回归方法,通过多数据集嵌入技术提升基础模型在数据稀少领域的表现。
2026-03-05 cs.LG
On the Utility Recovery Incapability of Neural Net-based Differential Private Tabular Training Data Synthesizer under Privacy Deregulation
University of Chicago(芝加哥大学);UCLA(加州大学洛杉矶分校)
设计生成模型隐私-效用权衡的审计程序是实践中一个重要而尚未解决的问题。现有的工作集中在调查隐私约束的副作用方面的效用退化的训练合成,测试真实范例的合成数据训练。通过观察隐私放松管制对合成训练数据效用的副作用,我们将这种对隐私效用权衡的理解推向了一个新的水平。令人惊讶的是,我们发现DP-CTGAN和PATE-CTGAN在隐私放松管制下的效用恢复失效,引起了人们对它们的实际应用的关注。主要信息是隐私放松管制并不总是意味着公用事业恢复。
2022-11-28 cs.LG
From Behavior to Provenance: Attributing Tabular Foundation Models to Synthetic Pretraining Data
Lexsi Labs
本文提出利用合成预训练数据构建可验证的归因测试平台,通过行为条件归因与反事实干预,验证表格基础模型归因的忠实性,并揭示溯源关联与干预效果的不一致性。
2026-10-05 cs.LG
A Survey on Deep Learning Approaches for Tabular Data Generation: Utility, Alignment, Fidelity, Privacy, Diversity, and Beyond
本文综述了表格数据生成的深度学习方法,从效用、对齐、保真度、隐私、多样性等方面探讨不同需求下的生成方法,并讨论评估方法和未来发展方向。
2026-03-16 cs.LG
A supervised generative optimization approach for tabular data
Yale University(耶鲁大学);University of Pittsburgh(匹兹堡大学);J.P. Morgan AI Research(摩根大通人工智能研究院)
针对表格合成数据方法难选择且忽视下游任务的问题,提出融合任务定制监督组件与元学习的生成框架,以学习现有合成分布的最优混合。
2024-05-09 cs.LG
Generate synthetic samples from tabular data
AskExplain;University of Queensland(昆士兰大学)
从数据集生成新样本可以减少额外昂贵的操作,增加侵入性程序,并减轻隐私问题。当隐私受到关注时,这些统计上稳健的新型样本可以用作临时和中间替代品。这种方法可以实现更好的数据共享实践,而不会出现与识别问题或偏见有关的问题,这些问题是对抗攻击的缺陷。
2022-12-23 cs.CR cs.LG
A Correlation- and Mean-Aware Loss Function and Benchmarking Framework to Improve GAN-based Tabular Data Synthesis
Umeå University(于默奥大学)
针对GAN合成表格数据难以捕捉真实分布的问题,提出相关性与均值感知损失函数作为正则化器,并在十个数据集和八个基线上验证,显著提升数据质量及下游ML性能。
2024-05-27 cs.LG
Synthetic Tabular Generators Fail to Preserve Behavioral Fraud Patterns: A Benchmark on Temporal, Velocity, and Multi-Account Signals
Independent Researcher(独立研究者)
本文提出行为保真度,用于评估合成表格数据是否保留区分真实世界实体活动的时间、序列和结构行为模式。现有框架仅评估统计保真度和下游效用,而本文证明基于行的生成器无法再现欺诈模式,且在多个数据集上表现不佳。
2026-04-13 cs.LG
MMM and MMMSynth: Clustering of heterogeneous tabular data, and synthetic data generation
The Institute of Mathematical Sciences(数学科学研究所);Homi Bhabha National Institute(霍米·巴巴国家研究所)
提出基于EM的MMM聚类算法和MMMsynth合成数据生成算法,分别用于异构表格数据的聚类和合成数据生成,后者在基准测试中优于其他生成器并接近真实数据训练效果。
2024-04-04 cs.LG stat.ML
ciDATGAN: Conditional Inputs for Tabular GANs
École Polytechnique Fédérale de Lausanne(洛桑联邦理工学院)
条件性已经成为生成对抗网络(GANs)生成合成图像的核心组件。GANs通常使用潜在的条件来控制生成过程。但是,表格数据只包含清单变量。因此,潜在的条件性要么限制了生成的数据,要么不能产生足够好的结果。因此,我们提出了一种新的方法,包括条件性的表格GANs的启发图像完成方法。这篇文章介绍了ciDAT GAN,它是定向非循环表格GAN(DAT GAN)的一种演变,已经证明它的性能优于最先进的表格GAN模型。首先,我们证明了条件输入的加入确实阻碍了模型的性能。然后,我们证明了ciDATGAN可以用于在精心选择的条件输入的帮助下消除数据集的偏差。最后,它表明ciDATGAN可以学习数据背后的逻辑,因此可以使用来自较小feeder数据集的数据来完成大型合成数据集。
2022-10-05 cs.LG
REaLTabFormer: Generating Realistic Relational and Tabular Data using Transformers
The World Bank(世界银行)
表格数据是组织数据的常见形式。多个模型可用于生成观测独立的合成表格数据集,但很少有模型能够生成关系数据集。对关系数据进行建模具有挑战性,因为它需要对“父”表及其跨表的关系进行建模。我们介绍REaLTabFormer(Realistic Relational and Tabular Transformer),一个表格和关系的合成数据生成模型。它首先使用自回归GPT-2模型创建父表,然后使用序列到序列(Seq 2Seq)模型生成以父表为条件的关系数据集。我们实现了目标屏蔽,以防止数据复制,并提出了$Q_δ$统计和统计自举检测过拟合。使用真实世界数据集的实验表明,REaLTabFormer比基线模型更好地捕捉关系结构。REaLTabFormer还可以在预测任务上实现最先进的结果,“开箱即用”,用于大型非关系数据集,而无需微调。
2023-02-04 cs.LG
Combining 3D Image and Tabular Data via the Dynamic Affine Feature Map Transform
Ludwig-Maximilians-Universität(路德维希-马克西米利安大学)
先前从大脑磁共振图像诊断阿尔茨海默病的工作表明,卷积神经网络(CNN)可以利用高维图像信息对患者进行分类。然而,很少有研究集中在这些模型如何利用通常低维的表格信息,如患者的人口统计学或实验室测量。我们介绍了动态仿射特征映射变换(DAFT),这是CNN的一个通用模块,可以根据患者的表格临床信息动态地重新缩放和移位卷积层的特征映射。我们表明,DAFT在结合3D图像和表格信息进行诊断和痴呆时间预测方面非常有效,其平均平衡准确度为0.622,平均c指数为0.748,优于竞争性CNN。我们广泛的消融研究为DAFT的结构特性提供了有价值的见解。我们的实现可以在https://github.com/ai-med/DAFT上获得。
2021-07-13 cs.CV cs.LG eess.IV
Structured Evaluation of Synthetic Tabular Data
Redpoll;Rutgers University(罗格斯大学);Institute for Advanced Study(高等研究院)
本文提出一个以单一数学目标为核心的表格合成数据评估框架,通过结构分解统一现有指标并论证指标完备性,实验表明显式建模表格结构的生成器在较小数据集上表现更优。
2024-03-29 cs.LG stat.ML
Diffusion Models for Tabular Data Imputation and Synthetic Data Generation
Universidad de Valladolid(瓦拉多利德大学)
本文提出面向表格数据的增强扩散模型,通过条件注意力、编码器-解码器 transformer 去噪网络和动态掩码,在统一框架中完成缺失值插补与合成数据生成,并从机器学习效率、统计相似性和隐私风险方面评估。
2025-06-02 cs.LG
PATE-TabTransGAN: Differentially Private Synthetic Tabular Data Generation via Transformer-Based Student Discrimination
Wrocław University of Science and Technology(沃拉布大学科学与技术学院)
提出PATE-TabTransGAN框架,结合教师集成私有聚合(PATE)机制与基于Transformer的学生鉴别器,在正式差分隐私保证下生成高质量合成表格数据,并在四个基准数据集上取得最优或并列最优的AUROC。
2026-05-26 cs.LG
Shaping the Prior: How Synthetic Task Distributions Determine Tabular Foundation Model Quality
Lexsi Labs(Lexsi实验室)
本文研究了合成任务分布对表格基础模型质量的影响,提出O'Prior方法,通过四个耦合组件构建更真实的先验,提升了下游任务的准确性和鲁棒性。
2026-10-26 cs.AI cs.LG
Synthetic Tabular Data: Methods, Attacks and Defenses
Meta and University of Warwick(Meta 和 战略研究学院)
本文综述表格合成数据生成方法,梳理概率图模型与深度学习范式,并分析针对原始敏感数据的隐私攻击、局限及未来开放问题。
2025-06-06 cs.CR cs.LG
Synthesising Multi-Modal Minority Samples for Tabular Data
Amazon(亚马逊公司)
现实世界的二进制分类任务在许多情况下是不平衡的,其中少数类比多数类小得多。这种偏斜对机器学习算法来说是一个挑战,因为它们往往关注大多数人,而对少数人进行错误分类。在训练模型之前向数据集添加合成少数样本是解决这一困难的流行技术,通常通过插值少数样本来实现。表格数据集通常是多模态的,并且除了连续的特征之外还包含离散(分类)特征,这使得样本的插值非平凡。为了解决这个问题,我们提出了一个潜在空间插值框架,该框架(1)使用自动编码器将多模态样本映射到密集的连续潜在空间;(2)通过在潜在空间中插值来应用过采样;以及(3)将合成样本映射回原始特征空间。我们定义了直接评估少数数据质量的指标,并表明我们的框架比现有方法生成更好的合成数据。此外,在下游二进制分类任务中,优越的合成数据产生更好的预测质量,如在使用27个公开可用的真实世界数据集的广泛实验中所证明的那样
2021-05-17 cs.LG
Generative adversarial networks vs large language models: a comparative study on synthetic tabular data generation
Cumming School of Medicine(卡明医学院);University of Calgary(卡尔加里大学)
本文提出基于GPT-4o自然语言提示的零样本表格数据生成框架,并在三个数据集上与CTGAN比较,证明其在统计保真度和隐私上更优。
2025-02-20 cs.CL cs.LG
From Synthetic Priors to Model Behavior: Structural Coverage in Tabular Foundation Models
CSIRO(联邦科学与工业研究组织)
本文从分布归因角度,通过结构覆盖和归一化密度衡量四种表格基础模型的合成预训练先验对基准任务的覆盖,发现更强支持与更好性能相关,提出结构覆盖作为诊断工具。
2026-09-09 cs.AI cs.LG
Cross-table Synthetic Tabular Data Detection
Orange Labs(奥兰奇实验室);Université de Rennes(雷恩大学);CNRS(法国国家科学研究中心);Inria(法国国家信息与自动化研究所);IRISA(雷恩信息与自动化研究所)
本研究探讨了跨不同生成器、领域和表格格式识别合成表格数据的挑战,提出了三个跨表基线检测器和四种评估协议,初步结果证实跨表适应任务极具挑战性。
2024-12-17 cs.DB cs.LG cs.NE
Synthetic Tabular Data Generation for Class Imbalance and Fairness: A Comparative Study
Freie Universität Berlin(柏林自由大学);Universität der Bundeswehr München(慕尼黑联邦国防军大学)
本文比较研究最先进的合成表格数据生成模型与多种采样策略,以同时缓解现实表格数据中的类别和群体不平衡,并在四个数据集上验证其改善公平性与效用的效果。
2024-09-08 cs.AI cs.LG
A Wide and Deep Neural Network for Survival Analysis from Anatomical Shape and Tabular Clinical Data
Ludwig-Maximilians-Universität(路德维希-马克西米利安大学)
我们引入了一个广泛而深入的神经网络,用于预测从轻度认知障碍患者到阿尔茨海默病的进展。来自解剖形状和表格临床数据(人口统计学、生物标志物)的信息融合在单个神经网络中。该网络对形状变换是不变的,并且避免了识别形状之间的点对应的需要。考虑右删失至事件时间数据,即,当只知道患者在特定的时间点没有发展成阿尔茨海默病时,我们采用通常用于生存分析的损失。我们的网络经过端到端的训练,将来自患者海马形状和临床生物标志物的信息结合起来。我们对阿尔茨海默病神经成像计划数据的实验表明,我们提出的模型能够学习一个形状描述符,该描述符增强了临床生物标志物,并且在形状上优于深度神经网络,在常见的临床生物标志物上优于线性模型。
2019-09-09 cs.LG stat.ML
Memisis: Orchestrating and Evaluating Synthetic Data for Tabular Health Datasets
University of California Irvine(加州大学尔湾分校)
本文提出Memisis工具,通过结合现有合成数据工具、大语言模型和先进评估指标,协调和评估合成数据,以提高下游预测任务和临床决策的质量。
2026-07-07 cs.LG
Evaluating quality in synthetic data generation for large tabular health datasets
Centre for Artificial Intelligence in Public Health Research, Robert Koch Institute(公共健康人工智能研究中心,德国罗伯特· Koch研究所);German Centre for Cancer Registry Data, Robert Koch Institute(癌症登记数据德国中心,德国罗伯特· Koch研究所);Medical Informatics, Berlin Institute of Health at Charité - Universitätsmedizin Berlin(医学信息学,柏林健康研究所(查理大学柏林医学中心))
本文评估了七个最新模型在大规模健康数据集上的质量,通过不同规模的数据集系统调参,并提出评估合成联合分布忠实度的方法,结合可视化分析德国癌症登记处数据集的挑战。
2026-04-17 cs.LG
An interpretable prototype parts-based neural network for medical tabular data
Poznan University of Technology, Institute of Computing Science(波兹南技术大学计算科学学院)
本文提出了一种可解释的原型部件基于神经网络,用于医疗表格数据,通过可训练的特征片段学习有意义的原型部件,实现可解释的预测和临床决策支持。
2026-03-05 cs.LG
Membership Inference over Diffusion-models-based Synthetic Tabular Data
University of Alberta(阿尔伯塔大学)
该研究针对基于扩散模型的合成表格数据生成方法,提出基于逐步误差比较的查询式 MIA,评估 TabDDPM 与 TabSyn 的隐私风险,发现前者更易受攻击、后者更具韧性。
2025-10-16 cs.AI cs.CR cs.LG
Beyond Distributional Fidelity: Causal-Penalized Diffusion for Synthetic Tabular Data
University of California, Los Angeles(加州大学洛杉矶分校);University of California, San Diego(加州大学圣地亚哥分校);Xiamen University(厦门大学)
该研究针对合成表格数据生成器仅优化分布保真度无法保留因果效应的问题,提出因果惩罚的TabDDPM框架,经实验验证可在提升因果保真度的同时保持竞争力统计保真度。
2026-10-09 cs.LG stat.ML
EPIC: Effective Prompting for Imbalanced-Class Data Synthesis in Tabular Data Classification via Large Language Models
KAIST(韩国科学技术院)
本研究针对表格数据分类中的类别不平衡问题,提出名为EPIC的大语言模型提示方法,通过均衡分组样本与一致格式引导生成合成数据,实现了最优分类性能并提升了生成效率。
2025-01-14 cs.AI cs.LG
Deep Generative Models, Synthetic Tabular Data, and Differential Privacy: An Overview and Synthesis
Queensland University of Technology(昆士兰科技大学)
该综述聚焦表格数据集场景,梳理了深度生成模型用于合成数据生成的最新进展,阐明其在隐私敏感数据场景的价值、优势与底层概念,分析了应用挑战,为相关研究者和从业者提供参考。
2023-08-27 cs.LG stat.AP stat.CO
Balanced Mixed-Type Tabular Data Synthesis with Diffusion Models
Rice University(莱斯大学);Imperial College London(伦敦帝国学院)
本文提出一种结合敏感属性引导的表格扩散模型,生成目标标签与敏感属性联合分布平衡的公平合成数据,有效缓解训练偏差,在公平性指标上较现有方法提升超10%。
2025-03-04 cs.LG