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
FUSE: Feature-Wise Unified Specialization with Cross-Column Exchange for Mixed-Type Tabular Flow Matching
FUSE是一种用于混合类型表格流匹配的方法，通过分离特征处理与跨列交互，在8个表格数据集上实现了分布保真度和下游效用的强劲一致性能。
2026-08-10 cs.AI cs.LG
FCT-GAN: Enhancing Table Synthesis via Fourier Transform
TU Delft（代尔夫特理工大学）；ABB Research（ABB研究院）
合成表格数据作为共享知识的替代方案出现，同时遵守限制性数据访问法规，例如，欧洲通用数据保护条例（GDPR）。主流最先进的表格数据合成器从生成对抗网络（GANs）中汲取方法，生成对抗网络由生成器和生成器组成。虽然卷积神经网络被证明是一个更好的架构比全连接网络的表格数据合成，表格数据的两个关键属性被忽视：（i）跨列的全局相关性，和（ii）不变的合成列排列的输入数据。为了解决上述问题，我们提出了一个傅立叶条件表格生成对抗网络（FCT-GAN）。我们引入特征标记化和傅立叶网络来构建一个transformer风格的生成器和递归，并捕获跨列的局部和全局依赖关系。标记器捕获本地空间特征并将原始数据转换为标记。傅立叶网络将令牌转换到频域，并按元素乘以可学习的滤波器。对基准测试和真实数据的广泛评估表明，FCT-GAN可以合成具有高机器学习实用性（比最先进的基线高27.8%）和与原始数据高统计相似性（高26.5%）的表格数据，同时保持跨列的全局相关性，特别是在高维数据集上。
2022-10-12 cs.LG
Benchmarking Attention for Tabular Foundation Models
SAP SE（SAP公司）
本研究针对表格基础模型中的二维注意力机制，建立了可复现基准，评估多种注意力后端在三种GPU上的性能，发现最优选择因行列注意力及硬件而异，为表格原生注意力优化奠定基础。
2026-10-12 cs.LG
Beyond Distribution Matching: Semantics-Consistent Tabular Diffusion with Weak Semantic Priors
Jilin University（吉林大学）；The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
针对现有表格生成器忽视语义约束的问题，提出语义一致表格扩散框架，利用LLM提取列内语义和列间规则作为生成条件，在统一语义空间进行条件去噪，在六个基准上同时提升分布保真度与语义一致性。
2026-09-16 cs.AI cs.LG
Tabular Few-Shot Generalization Across Heterogeneous Feature Spaces
University of Belgrade（贝尔格莱德大学）；University of Cambridge（剑桥大学）
针对表格少样本学习，提出FLAT方法，通过数据集与列嵌入及图注意力网络实现跨异构特征空间的知识共享，在118个UCI数据集上显著优于基线。
2023-11-16 cs.LG
Scalable Representation Learning for Multimodal Tabular Transactions
JPMorgan AI Research（摩根大通人工智能研究院）
本文提出一种可扩展的多模态表格表示学习方法，通过多层分区、自适应量化与差异化列处理机制，结合参数高效解码器实现LLM指令微调，有效解决了表格数据的稀疏高基数与数值推理等挑战。
2024-10-10 cs.LG
TabRet: Pre-training Transformer-based Tabular Models for Unseen Columns
Meiji University（明治大学）；Preferred Networks, Inc.（Preferred Networks公司）
TabRet通过引入retokenizing步骤和列随机打乱增强，使基于Transformer的表格模型能处理预训练中未见过的列，并在医疗分类任务上取得最佳AUC。
2023-04-16 cs.AI cs.LG
Mixed-Type Tabular Data Synthesis with Score-based Diffusion in Latent Space
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；Amazon Web Services（亚马逊网络服务）；George Mason University（乔治梅森大学）
针对表格数据分布复杂、类型混杂导致扩散模型应用困难的问题，提出在VAE潜在空间中运用扩散模型的Tabsyn方法，兼具通用性、高质量与高速度，实验显示其在多项指标上显著优于现有基线。
2024-05-11 cs.LG
Basis Transformers for Multi-Task Tabular Regression
University of Waterloo（滑铁卢大学）；Vector Institute（向量研究所）
针对含文本、变长列和无元数据未见数据的表格回归问题，提出尊重表格不变性的 Basis Transformers，在 OpenML-CTR23 上以更少参数显著提升性能。
2025-06-07 cs.LG
MIND: Marginal-Invariant Neural Dependency Diffusion for Mixed-Type Tabular Generation
Centre for the Science of Learning & Technology (SLATE), University of Bergen（卑尔根大学学习与技术科学中心（SLATE））
MIND通过边际传输和条件扩散分离边际与依赖建模，在混合类型表格生成中提升边际保真度和依赖保留，实现稳定平衡。
2026-10-01 cs.LG
TILE: Bridging LLMs and Table Foundation Models for Tabular Learning with Strings
Inria Saclay（法国国家信息与自动化研究所萨克雷中心）；SAP SE（思爱普公司）
本研究提出TILE接口，解决LLMs与TFMs衔接时的表格表征提取问题，结合行序列化等四个组件，在100个数据集等基准上实现含字符串表格学习的最优性能。
2026-11-02 cs.LG
Modeling Tabular data using Conditional GAN
MIT LIDS（麻省理工学院信息与决策系统实验室）；MRC-BSU, University of Cambridge（剑桥大学MRC生物统计组）；Universidad Rey Juan Carlos（胡安·卡洛斯国王大学）
对表格数据中行的概率分布进行建模并生成真实的合成数据是一项重要的任务。表格数据通常包含离散列和连续列的混合。连续柱可能具有多种模式，而离散柱有时不平衡，使得建模困难。现有的统计和深度神经网络模型无法正确地对这类数据进行建模。我们设计了TGAN，它使用条件生成对抗网络来解决这些挑战。为了帮助进行公平和彻底的比较，我们设计了一个基准测试，其中包含7个模拟数据集和8个真实数据集以及多个贝叶斯网络基线。TGAN在大多数真实数据集上优于贝叶斯方法，而其他深度学习方法则不能。
2019-10-28 cs.LG stat.ML
TabDiff: a Mixed-type Diffusion Model for Tabular Data Generation
Stanford University（斯坦福大学）；University of Southern California（南加州大学）；University of Illinois Chicago（伊利诺伊大学芝加哥分校）
提出联合扩散框架 TabDiff，用按特征可学习的连续时间扩散过程统一建模数值与分类表格数据，并结合随机采样校正和无分类器引导，在七数据集八项指标上取得最优。
2025-02-16 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
CausalTAD: Injecting Causal Knowledge into Large Language Models for Tabular Anomaly Detection
College of Computer Science and Electronic Engineering, Hunan University, China（计算机科学与电子工程学院，湖南大学）
CausalTAD通过注入因果知识提升表格异常检测性能，采用因果关系重构与加权策略，实验表明优于现有方法。
2026-02-08 cs.AI cs.LG
Identifying the Units of Measurement in Tabular Data
University of Edinburgh（爱丁堡大学）；Alan Turing Institute（阿兰·图灵研究所）
我们考虑在每行包含数值和单位符号的数据列中识别测量单位的问题，例如，“5.2升”“7品脱”在这种情况下，我们试图识别列的维度（例如体积），并将单位符号与从知识图谱获得的有效单位（例如升、品脱）相关联。下面我们介绍PUC，这是一种概率单位规范化器，可以准确识别测量单位、提取定量数据列的语义描述并规范化其条目。我们提出了第一个混乱的现实世界的表格数据集注释的测量单位，这可以使和加速在这一领域的研究。我们在这些数据集上的实验表明，PUC比现有的解决方案取得了更好的结果。
2021-11-23 cs.DB cs.LG
TransTab: Learning Transferable Tabular Transformers Across Tables
UIUC（伊利诺伊大学厄巴纳-香槟分校）
表格数据（或表格）是机器学习（ML）中使用最广泛的数据格式。然而，ML模型通常假设表结构在训练和测试中保持固定。在ML建模之前，需要进行大量的数据清理，以合并具有不同列的不同表。这种预处理通常会导致显著的数据浪费（例如，移除不匹配的柱和样品）。如何从具有部分重叠列的多个表中学习ML模型？如何随着时间的推移随着更多列变得可用而增量地更新ML模型？我们可以在多个不同的表上利用模型预训练吗？如何训练一个可以在看不见的表上进行预测的ML模型？为了回答所有这些问题，我们建议放宽固定的表结构，引入一个可转移的表格Transformer（transTab）的表。TransTab的目标是将每个样本（表中的一行）转换为可泛化的嵌入向量，然后应用堆栈Transformers进行特征编码。一种方法学见解是将列描述和表单元格组合起来作为门控Transformer模型的原始输入。另一个观点是引入监督和自我监督的预训练来提高模型性能。我们在不同的基准数据集和五个肿瘤学临床试验数据集上比较了TransTab与多种基线方法。总体而言，在监督学习、特征增量学习和迁移学习场景中，TransTab分别在12种方法中排名1.00、1.00、1.78;并且所提出的预训练平均比监督学习提高了2.3%的AUC。
2022-09-16 cs.AI cs.LG
NameGuess: Column Name Expansion for Tabular Data
Amazon Web Services（亚马逊云科技）
本文提出NameGuess任务，通过扩展表格数据的缩写列名以提升数据搜索与理解性能，构建了384K训练对与9.2K评估基准，并基于2.7B参数微调模型达到人类水平。
2023-10-19 cs.CL cs.DB cs.LG
Towards Benchmarking Foundation Models for Tabular Data With Text
Department of Computer Science, University of Freiburg, Freiburg, Germany（弗赖堡大学计算机科学系）；Prior Labs, Freiburg, Germany（Prior实验室）；ELLIS Institute, Tubingen, Germany（图宾根ELLIS研究所）
针对现有表格数据基准缺乏文本列的问题，提出消融式策略将文本纳入传统表格流程，并手动整理真实数据集对最先进的表格基础模型处理文本的能力进行基准测试。
2025-07-10 cs.LG
How Usable is Automated Feature Engineering for Tabular Data?
University of Freiburg（弗莱堡大学）；University of Technology Nuremberg（纽伦堡工业大学）；ELLIS Institute Tübingen（图宾根ELLIS研究所）；Prior Labs
本文通过调查53种自动化特征工程方法，揭示其普遍缺乏可用性、文档和社区支持，并指出缺少时间与内存约束设置，呼吁开发更实用的AutoFE工具。
2025-08-19 cs.LG
An Automatic Prompt Generation System for Tabular Data Tasks
IBM Research, India（IBM印度研究院）
本文提出一种适用于多种LLM的自动提示生成系统，通过强化学习排序列和单元格级相似性选择少样本示例，在66个数据集上提升了数据填补、错误检测和实体匹配的性能。
2024-05-09 cs.CL cs.LG
AnnotatedTables: A Large Tabular Dataset with Language Model Annotations
Iowa State University（爱荷华州立大学）；RelationalAI（RelationalAI公司）
本研究提出可灵活生成多类标注的LLM表格数据标注方法，发布含32119个数据库、405616个有效SQL的AnnotatedTables数据集，并通过SQL转Rel、TabPFN性能评估两项研究验证其价值，证明LLM可自动化大规模表格标注。
2024-06-24 cs.LG
Solving In-Table Prediction Problems by Deep Neural Networks with Performance Evaluation Using Synthetic Data
Offenburg University（奥芬堡大学）；Institute for Machine Learning and Analytics（机器学习与分析研究所）
本研究提出表内预测（ITP）问题，采用自监督学习方法，通过新型神经层处理连续特征缺失值，基于合成数据评估MLP、Resnet、Transformer性能，发现注意力结构在合适条件下表现更优。
2026-09-02 cs.LG
TabKDE: Simple and Scalable Tabular Data Generation with Kernel Density Estimates
University of Utah（犹他大学）；Visa Research（Visa研究）
本文提出了一种基于核密度估计的表格数据生成方法，能够在无需大量训练时间的情况下实现与现有方法相当的准确性和防泄漏性能，并且能够高效处理大规模数据集。
2026-05-17 cs.LG
Fed-TDA: Federated Tabular Data Augmentation on Non-IID Data
School of Computer Science, Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）计算机科学与技术学院）；Department of New Networks, Peng Cheng Laboratory（鹏城实验室新型网络部）
非独立同分布（non-IID）数据是联邦学习（FL）面临的一个关键挑战，它通常会阻碍FL的优化收敛和性能。现有的基于联邦生成模型或原始数据共享策略的数据增强方法在解决非IID问题时仍然存在性能低下、隐私保护问题以及分布式表数据通信开销大等问题。为了应对这些挑战，我们提出了一种联合表格数据增强方法，名为Fed-TDA。Fed-TDA的核心思想是使用一些简单的统计数据（例如，每个列的分布和全局协方差）。具体来说，我们提出了多峰分布变换和逆累积分布映射分别合成连续和离散列的表格数据从噪声根据预先学习的统计。此外，我们从理论上分析，我们的Fed-TDA不仅保护数据隐私，而且还保持了原始数据的分布和列之间的相关性。通过对五个真实世界的表格数据集进行广泛的实验，我们证明了Fed-TDA在测试性能和通信效率方面的优越性。
2023-01-12 cs.CR cs.LG stat.ML
TabularARGN: A Flexible and Efficient Auto-Regressive Framework for Generating High-Fidelity Synthetic Data
MOSTLY AI
本文提出TabularARGN自回归生成框架，通过训练所有条件概率支持公平性生成、缺失填补和任意列条件生成，在保证高合成质量的同时显著降低训练与推理时间。
2025-02-06 cs.LG
HYTREL: Hypergraph-enhanced Tabular Data Representation Learning
Amazon Web Services（亚马逊云服务）；Texas A&M University（德克萨斯A&M大学）
本文提出表格语言模型 HYTREL，利用超图建模行、列和整表的单元共现关系以捕获置换不变性等结构偏置，在极少预训练下于多个下游任务中优于竞争基线。
2023-10-27 cs.AI cs.CL cs.LG
PyTorch Frame: A Modular Framework for Multi-Modal Tabular Learning
Kumo AI（库莫人工智能公司）；Stanford University（斯坦福大学）
PyTorch Frame是一个基于PyTorch的模块化框架，用于多模态表格深度学习，通过数据结构和模型抽象简化建模，并支持集成外部基础模型及与PyTorch Geometric集成，实现关系数据库的端到端学习。
2024-12-15 cs.DB cs.LG stat.ML
X2Graph for Cancer Subtyping Prediction on Biological Tabular Data
Fujitsu Research of Europe（富士通欧洲研究）
针对深度学习在医学小规模表格数据中表现不佳的问题，提出X2Graph方法，利用基因相互作用等外部知识将样本转换为图结构并应用消息传递算法建模，在三个癌症亚型数据集上优于现有树模型和深度学习方法。
2025-05-29 cs.LG
XTab: Cross-table Pretraining for Tabular Transformers
EPFL（洛桑联邦理工学院）；Cornell University（康奈尔大学）；Boson AI（玻色人工智能）；Amazon Web Services（亚马逊云科技）
XTab提出跨表预训练框架，利用独立特征化器与联邦学习解决列不一致问题，在84个任务上提升表格Transformer的泛化、速度与性能，并超越其他先进模型。
2023-05-10 cs.LG
Table Foundation Models: on knowledge pre-training for tabular learning
Inria Saclay（法国国家科学研究中心萨克雷分部）；Institut Polytechnique de Paris（巴黎高等理工学院）；New York University（纽约大学）；Fundamental Technologies
本文提出表格基础模型TARTE，利用字符串捕获语义将表格转化为知识增强向量表示，在大型关系数据上预训练，可微调或与其他学习器结合，推动了最先进预测性能并改善了预测与计算的权衡。
2025-06-30 cs.LG
Learning Semantic Annotations for Tabular Data
University of Oxford（牛津大学）；The Alan Turing Institute（艾伦·图灵研究所）；University of Oslo（奥斯陆大学）；The University of Edinburgh（爱丁堡大学）
表格数据（如Web表格）的有用性主要取决于对其语义的理解。本文主要研究不含Meta数据的表的列类型预测。与传统的基于词汇匹配的方法不同，我们提出了一种深度预测模型，它可以充分利用表的上下文语义，包括由混合神经网络（HNN）学习的表局部性特征，以及由知识库（KB）查找和查询应答算法学习的列间语义特征。
2019-05-30 cs.DB cs.IR cs.LG
TabularNet: A Neural Network Architecture for Understanding Semantic Structures of Tabular Data
Microsoft Research Asia（微软亚洲研究院）；Beijing Normal University（北京师范大学）；Peking University（北京大学）
由于表格的广泛应用，表格数据无处不在，因此吸引了研究人员的注意力，以提取潜在的信息。表格数据挖掘的关键问题之一是如何自动理解其内在的语义结构。现有的研究通常采用卷积神经网络（CNN）来建模表格结构的空间信息，但忽略了细胞之间更多样化的关系信息，如层次关系和并列关系。为了同时从表中提取空间和关系信息，我们提出了一种新的神经网络架构，TabularNet。TabularNet的空间编码器利用行/列级池化和双向门控递归单元（Bi-GRU）分别捕获统计信息和局部位置相关性。对于关系信息，我们设计了一种新的基于WordNet树的图构造方法，并采用了一种基于图卷积网络（GCN）的编码器，该编码器侧重于单元之间的层次和并列关系。我们的神经网络架构可以是一个统一的神经骨干不同的理解任务，并在多任务的情况下使用。我们用两个真实世界的电子表格数据集对三个分类任务进行了广泛的实验，结果证明了我们提出的TabularNet在最先进的基线上的有效性。
2021-06-16 cs.LG
Measuring the Dependency Gap: Diagnosing Inter-Column Fidelity in Tabular Generative Models
Accenture Japan（埃森哲日本公司）
研究表格生成模型列间保真度，引入依赖感知保真度诊断方法，分解XGB-C2ST测试，应用于TabbyFlow/EF-VFM发现标准指标遗漏的依赖差距，探讨差距原因，表明是缺乏直接依赖监督，非容量或结构问题
2026-08-27 cs.AI cs.LG
Do You Even Need More Data? Rethinking LLM Deployment for Label-Scarce Tabular Classification with TabLens
Sb AI Lab, HSE, NES（Sb AI Lab，HSE，NES）；Sb AI Lab, HSE（Sb AI Lab，HSE）；Sb AI Lab, HSE University（Sb AI Lab，HSE大学）；Sb AI Lab
提出LLMTabBench基准，系统评估LLM在数据稀缺条件下进行表格分类时，先验知识与上下文信息（任务描述和少样本示例）的交互作用，以及性能随数据复杂度的扩展规律。
2026-10-14 cs.LG
On Learning Representations for Tabular Data Distillation
IBM Research（IBM研究院）
本文提出TDColER框架，通过列嵌入表示学习解决表格数据蒸馏中特征异质性和非可微模型挑战，并构建TDBench基准，实验表明其可将蒸馏数据质量提升0.5%-143%。
2025-01-23 cs.LG
Synthesizing Tabular Data using Generative Adversarial Networks
MIT（麻省理工学院）
生成对抗网络（GANs）隐式地学习数据集的概率分布，并可以从分布中提取样本。本文提出了表格式GAN（TGAN），这是一种生成对抗网络，可以生成医疗或教育记录等表格数据。利用深度神经网络的强大功能，TGAN生成高质量的全合成表，同时生成离散和连续变量。当我们在三个数据集上评估我们的模型时，我们发现TGAN在捕获列之间的相关性和扩大大型数据集方面都优于传统的统计生成模型。
2018-11-27 cs.LG stat.ML
Tabby: A Language Model Architecture for Tabular and Structured Data Synthesis
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
Tabby是一种用于表格和结构化数据合成的语言模型架构，通过门控专家混合机制提升数据生成质量，结合新型训练技术实现44%的质量提升。
2026-01-02 cs.CL cs.LG
Geometry-Aware Tabular Diffusion
提出几何感知表格扩散（GATD），通过向扩散去噪器注入列值差异的成对角度和长度作为输入和辅助目标，以显式建模列间关系，在10个数据集上以更少参数取得SOTA性能。
2026-05-23 cs.AI cs.CR cs.LG
KGLink: A column type annotation method that combines knowledge graph and pre-trained language model
HKUST（香港科技大学）；HKUST(GZ)（香港科技大学（广州））
本文提出KGLink方法，结合WikiData知识图谱与预训练语言模型解决表格列类型标注中的类型粒度和上下文缺失问题，在多数据集实验中验证了其有效性和高效性。
2024-06-01 cs.CL cs.IR cs.LG
Entity Linking in Tabular Data Needs the Right Attention
Heriot-Watt University（赫瑞-瓦特大学）；Amazon Alexa（亚马逊Alexa）
理解表格数据的语义含义需要实体链接（EL），以便将每个单元格值与知识库（KB）中的真实实体相关联。在这项工作中，我们专注于端到端的解决方案EL的表格数据，不依赖于事实查找在目标KB。表格数据包含异构和稀疏的上下文，包括列标题、单元格值和表格标题。我们使用各种模型进行实验，为要链接的每个单元格值生成一个矢量表示。我们的研究结果表明，它是至关重要的，以适用于注意力机制以及注意力面具，使该模型可以只关注最相关的上下文，避免信息稀释。最相关的上下文包括：同行单元格、同列单元格、标题和标题。然而，对于这样一个复杂的模型，计算复杂性随着表格数据的大小成二次方地增长。我们通过引入表格实体链接精简版模型（TELL）来实现恒定的内存使用，该模型仅基于单元格的值、表头和表标题来生成单元格的矢量表示。TELL在维基百科表格上达到了80.8%的准确率，仅比最先进的二次内存使用模型低0.1%。
2022-07-05 cs.CL cs.DB cs.LG
Adapting Pretrained Language Models for Solving Tabular Prediction Problems in the Electronic Health Record
Austin Health（奥斯汀健康）；University of Melbourne（墨尔本大学）
我们提出了一种使用领域自适应来适应电子健康记录（EHR）任务的DeBERTa模型的方法。我们在由MIMIC-III出院总结、临床笔记、放射学报告和PubMed摘要组成的数据集上预训练了一个小型DeBERTa模型。我们将该模型的性能与根据我们机构EHR（MeDeBERTa）的临床文本预训练的DeBERTa模型和XGBoost模型进行比较。我们使用MIMIC-IV-ED数据集评估急诊科结果的三个基准任务的性能。我们对数据进行预处理，将其转换为文本格式，并生成原始数据集的四个版本，以比较数据处理和数据包含。结果表明，我们提出的方法在三个任务中的两个任务上优于替代模型（p<0.001），并且在第三个任务上与性能相匹配，使用描述性列比原始列名提高了性能。
2023-03-27 cs.CL cs.LG
Generating Benchmark Health Data Using a Tabular Diffusion Transformer
针对现有合成表格数据生成方法难以处理多异构表格的局限，本文提出两阶段跨表格数据生成框架，结合扩散Transformer实现高保真合成数据生成，验证了其有效性。
2026-08-17 cs.AI 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
When Retain Constraints Conflict: Mitigating Forget-Retain Interference in Tabular Data
University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）；Michigan State University（密歇根州立大学）
针对表格数据遗忘中模式导致的遗忘-保留冲突，提出冲突感知遗忘（CAU）方法，通过放宽冲突保留行约束，更接近重训练基准并保持效用。
2026-10-22 cs.LG
Representation Learning for Tabular Data: A Comprehensive Survey
School of Artificial Intelligence, Nanjing University（人工智能学院，南京大学）；National Key Laboratory for Novel Software Technology, Nanjing University（新型软件技术国家实验室，南京大学）
本综述系统梳理表格数据表示学习，将方法分为专用、可迁移和通用模型三类，并探讨集成与扩展，为相关研究提供全面参考。
2025-04-17 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
TableNet: Deep Learning model for end-to-end Table detection and Tabular data extraction from Scanned Document Images
TCS Research（塔塔咨询服务公司研究院）
随着移动电话和扫描仪广泛用于拍摄和上传文档，提取非结构化文档图像（如零售收据、保险索赔表和财务发票）中的信息的需求变得越来越迫切。实现这一目标的一个主要障碍是，这些图像通常包含表格形式的信息，从表格子图像中提取数据提出了一系列独特的挑战。这包括准确检测图像内的表格区域，以及随后从检测到的表格的行和列中检测和提取信息。虽然在表检测方面已经取得了一些进展，但提取表内容仍然是一个挑战，因为这涉及到更细粒度的表结构（行和列）识别。先前的方法已经尝试使用两个单独的模型来独立地解决表检测和结构识别问题。在本文中，我们提出了TableNet：一种用于表格检测和结构识别的新型端到端深度学习模型。该模型利用表检测和表结构识别的孪生任务之间的相互依赖性来分割出表和列区域。这之后是从所识别的表格子区域中基于语义规则的行提取。在公开可用的ICDAR 2013和Marmot Table数据集上对所提出的模型和提取方法进行了评价，获得了最新的结果。此外，我们还证明了提供额外的语义特征进一步提高了模型性能，并且该模型具有跨数据集的迁移学习。本文的另一个贡献是为Marmot数据提供额外的表结构注释，目前只有表检测的注释。
2020-01-06 cs.CV cs.LG eess.IV
LLM Meeting Decision Trees on Tabular Data
School of Artificial Intelligence, Jilin University（吉林大学人工智能学院）；CSIRO’s Data61（CSIRO数据61）；Monash University（墨尔本大学）；International Center of Future Science, Jilin University（吉林大学未来科学国际中心）；Engineering Research Center of Knowledge-Driven Human-Machine Intelligence, MOE, China（知识驱动人机智能工程研究中心，教育部，中国）
本文提出DeLTa方法，通过逻辑决策树规则中介将LLM整合到表格数据中，避免数据序列化，实现全数据学习，提升表格预测性能。
2025-12-10 cs.LG
Synthesis Without Training: An Inference-Only Pipeline for Tabular, Temporal, and Relational Synthetic Data
Betterdata AI；National University of Singapore（新加坡国立大学）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；KAJIMA Technical Research Institute Singapore（鹿岛技术研究所新加坡分所）
提出GENSCRIPT纯推理流水线，通过统计画像和语言模型推断约束，无需训练即可生成表格、时序和关系型合成数据，兼顾效率与保真度。
2026-10-01 cs.LG
TabFM-Auto: Self-Evolving Pipelines for Tabular Foundation Models
Google Research（谷歌研究院）；University of Southern California（南加州大学）；Google DeepMind（谷歌DeepMind）；Harvard University（哈佛大学）；University of Texas at Austin（德克萨斯大学奥斯汀分校）
TabFM-Auto将表格基础模型TabFM与语言模型智能体结合，通过迭代优化数据清洗、特征工程等流水线步骤，在TabArena基准的51个数据集上取得前五名，并将TabFM的Elo评分从1785提升至2013，且流水线可迁移至其他模型。
2026-09-30 cs.LG
DNF-Net: A Neural Architecture for Tabular Data
Technion（以色列理工学院）；Google（谷歌）
深度学习中一个具有挑战性的开放问题是如何处理表格数据。与图像和自然语言处理等领域不同，深度架构占主导地位，仍然没有广泛接受的神经架构来主导表格数据。作为弥合这一差距的一步，我们提出了DNF-Net一种新的通用架构，其归纳偏置elderly模型，其结构对应于逻辑布尔公式的析取范式（DNF）在仿射软阈值决策条款。此外，DNF-Net促进了对小部分特征的本地化决策。我们提出了一个广泛的实证研究表明，DNF-Nets显着和一贯优于表格数据的FCNs。由于超参数相对较少，DNF-Nets为使用神经网络实际端到端处理表格数据打开了大门。我们目前的消融研究，证明DNF-Net的设计选择，包括三个感应偏置元素，即布尔公式，局部性，和特征选择。
2020-06-11 cs.LG stat.ML
UniPredict: Large Language Models are Universal Tabular Classifiers
University of Toronto（多伦多大学）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本文提出 UniPredict，通过生成式建模训练单一 LLM 聚合处理 169 个表格数据集，实现通用表格预测，并在少样本场景下显著超越 XGBoost 等基线。
2024-01-16 cs.LG
