論文の概要: Comparing Synthetic Tabular Data Generation Between a Probabilistic
Model and a Deep Learning Model for Education Use Cases
- arxiv url: http://arxiv.org/abs/2210.08528v1
- Date: Sun, 16 Oct 2022 13:21:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-18 20:20:55.020308
- Title: Comparing Synthetic Tabular Data Generation Between a Probabilistic
Model and a Deep Learning Model for Education Use Cases
- Title（参考訳）: 学習場面における確率モデルとディープラーニングモデルとの合成表データ生成の比較
- Authors: Herkulaas MvE Combrink, Vukosi Marivate, Benjamin Rosman
- Abstract要約: 合成データを生成する能力は、さまざまなドメインにまたがってさまざまなユースケースを持つ。
教育研究においては、特定の概念やアイデアをテストするために合成データにアクセスする必要性が高まっている。
- 参考スコア（独自算出の注目度）: 12.358921226358133
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The ability to generate synthetic data has a variety of use cases across
different domains. In education research, there is a growing need to have
access to synthetic data to test certain concepts and ideas. In recent years,
several deep learning architectures were used to aid in the generation of
synthetic data but with varying results. In the education context, the
sophistication of implementing different models requiring large datasets is
becoming very important. This study aims to compare the application of
synthetic tabular data generation between a probabilistic model specifically a
Bayesian Network, and a deep learning model, specifically a Generative
Adversarial Network using a classification task. The results of this study
indicate that synthetic tabular data generation is better suited for the
education context using probabilistic models (overall accuracy of 75%) than
deep learning architecture (overall accuracy of 38%) because of probabilistic
interdependence. Lastly, we recommend that other data types, should be explored
and evaluated for their application in generating synthetic data for education
use cases.
- Abstract（参考訳）: 合成データを生成する能力は、さまざまなドメインでさまざまなユースケースを持つ。
教育研究では、特定の概念やアイデアをテストするために合成データにアクセスする必要性が高まっている。
近年では、いくつかのディープラーニングアーキテクチャが合成データの生成に役立てられているが、結果は様々である。
教育の文脈では、大規模なデータセットを必要とする異なるモデルを実装することの高度化が非常に重要である。
本研究では,ベイジアンネットワークの確率モデルとディープラーニングモデル,特に分類タスクを用いた生成逆ネットワークの合成表データ生成の適用性を比較することを目的とする。
その結果,合成表データ生成は,確率的相互依存のため,ディープラーニングアーキテクチャ(全精度38%)よりも確率的モデル(全精度75%以上)を用いた教育文脈に適していることがわかった。
最後に、他のデータタイプについて、教育用ユースケースの合成データ生成への応用について検討し、評価することを推奨する。
関連論文リスト
- Exploring the Landscape for Generative Sequence Models for Specialized Data Synthesis [0.0]
本稿では, 複雑度の異なる3つの生成モデルを用いて, 悪意ネットワークトラフィックを合成する手法を提案する。
提案手法は,数値データをテキストに変換し,言語モデリングタスクとして再フレーミングする。
提案手法は,高忠実度合成データの生成において,最先端の生成モデルを超えている。
論文 参考訳（メタデータ） (2024-11-04T09:51:10Z) - Reimagining Synthetic Tabular Data Generation through Data-Centric AI: A
Comprehensive Benchmark [56.8042116967334]
合成データは、機械学習モデルのトレーニングの代替となる。
合成データが現実世界データの複雑なニュアンスを反映することを保証することは、難しい作業です。
本稿では,データ中心型AI技術の統合による合成データ生成プロセスのガイドの可能性について検討する。
論文 参考訳（メタデータ） (2023-10-25T20:32:02Z) - Let's Synthesize Step by Step: Iterative Dataset Synthesis with Large
Language Models by Extrapolating Errors from Small Models [69.76066070227452]
※データ合成*はラベル付きデータの少ない小さなモデルをトレーニングするための有望な方法です。
本稿では,この分散ギャップを縮めるデータ合成フレームワークであるStep* (**S3**) による合成ステップを提案する。
提案手法は,合成データセットと実データとのギャップを小さくすることで,小型モデルの性能を向上させる。
論文 参考訳（メタデータ） (2023-10-20T17:14:25Z) - Generation of Probabilistic Synthetic Data for Serious Games: A Case
Study on Cyberbullying [0.45880283710344055]
本稿では,対話型ナラティブに基づく現実的なゲームのための確率論的合成データを生成するシミュレータを提案する。
このアーキテクチャは、他の研究者が同様の問題を解決するために、汎用的でモジュール化された設計である。
提案したアーキテクチャと手法を,サイバーいじめに焦点を当てた真剣なゲームの場合に適用する。
論文 参考訳（メタデータ） (2023-06-02T08:43:15Z) - Utility Theory of Synthetic Data Generation [12.511220449652384]
本稿では,統計的学習フレームワークにおける実用理論の確立により,実践と理論のギャップを埋める。
合成データに基づいてトレーニングされたモデルの一般化とランキングの2つのユーティリティメトリクスを考慮に入れている。
論文 参考訳（メタデータ） (2023-05-17T07:49:16Z) - Generating Realistic Synthetic Relational Data through Graph Variational
Autoencoders [47.89542334125886]
変動型オートエンコーダフレームワークとグラフニューラルネットワークを組み合わせることで,リアルな合成関係データベースを生成する。
結果は、実際のデータベースの構造が結果の合成データセットに正確に保存されていることを示している。
論文 参考訳（メタデータ） (2022-11-30T10:40:44Z) - Evaluation of Categorical Generative Models -- Bridging the Gap Between
Real and Synthetic Data [18.142397311464343]
生成モデルに対する適切な拡張性の評価手法を提案する。
我々は、より困難なモデリングタスクに対応する、ますます大きな確率空間を考える。
我々は, 合成生成モデルと最先端のカテゴリー生成モデルの両方について, 合成実験により評価方法を検証する。
論文 参考訳（メタデータ） (2022-10-28T21:05:25Z) - HyperImpute: Generalized Iterative Imputation with Automatic Model
Selection [77.86861638371926]
カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。
既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
論文 参考訳（メタデータ） (2022-06-15T19:10:35Z) - Model-agnostic multi-objective approach for the evolutionary discovery
of mathematical models [55.41644538483948]
現代のデータ科学では、どの部分がより良い結果を得るために置き換えられるかというモデルの性質を理解することがより興味深い。
合成データ駆動型モデル学習において,多目的進化最適化を用いてアルゴリズムの所望特性を求める。
論文 参考訳（メタデータ） (2021-07-07T11:17:09Z) - Foundations of Bayesian Learning from Synthetic Data [1.6249267147413522]
我々はベイズパラダイムを用いて、合成データから学習する際のモデルパラメータの更新を特徴付ける。
ベイジアン・アップデートの最近の成果は、決定理論に基づく新しい、堅牢な合成学習のアプローチを支持している。
論文 参考訳（メタデータ） (2020-11-16T21:49:17Z) - DeGAN : Data-Enriching GAN for Retrieving Representative Samples from a
Trained Classifier [58.979104709647295]
我々は、トレーニングされたネットワークの将来の学習タスクのために、利用可能なデータの豊富さと関連するデータの欠如の間のギャップを埋める。
利用可能なデータは、元のトレーニングデータセットまたは関連するドメインデータセットの不均衡なサブセットである可能性があるため、代表サンプルを検索するために使用します。
関連ドメインからのデータを活用して最先端のパフォーマンスを実現することを実証する。
論文 参考訳（メタデータ） (2019-12-27T02:05:45Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。