論文の概要: How Well Does Your Tabular Generator Learn the Structure of Tabular Data?

• arxiv url: http://arxiv.org/abs/2503.09453v1
• Date: Wed, 12 Mar 2025 14:54:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-13 15:35:12.806244
• Title: How Well Does Your Tabular Generator Learn the Structure of Tabular Data?
• Title（参考訳）: タブラル・ジェネレータはいかにしてタブラル・データ構造を学習するか?
• Authors: Xiangjian Jiang, Nikola Simidjievski, Mateja Jamnik,
• Abstract要約: 本稿では,構造忠実度をコア評価次元として位置づける新しい評価ベンチマークであるTabStructを紹介する。 構造的忠実度はタスクに依存しないドメインに依存しない評価次元を提供することを示す。
• 参考スコア（独自算出の注目度）: 10.974400005358193
• License:
• Abstract: Heterogeneous tabular data poses unique challenges in generative modelling due to its fundamentally different underlying data structure compared to homogeneous modalities, such as images and text. Although previous research has sought to adapt the successes of generative modelling in homogeneous modalities to the tabular domain, defining an effective generator for tabular data remains an open problem. One major reason is that the evaluation criteria inherited from other modalities often fail to adequately assess whether tabular generative models effectively capture or utilise the unique structural information encoded in tabular data. In this paper, we carefully examine the limitations of the prevailing evaluation framework and introduce $\textbf{TabStruct}$, a novel evaluation benchmark that positions structural fidelity as a core evaluation dimension. Specifically, TabStruct evaluates the alignment of causal structures in real and synthetic data, providing a direct measure of how effectively tabular generative models learn the structure of tabular data. Through extensive experiments using generators from eight categories on seven datasets with expert-validated causal graphical structures, we show that structural fidelity offers a task-independent, domain-agnostic evaluation dimension. Our findings highlight the importance of tabular data structure and offer practical guidance for developing more effective and robust tabular generative models. Code is available at https://github.com/SilenceX12138/TabStruct.
• Abstract（参考訳）: 不均質な表型データは、画像やテキストのような同質なモダリティに比べて基礎的なデータ構造が根本的に異なるため、生成モデリングにおいてユニークな課題を生じさせる。 従来の研究では、同質なモダリティによる生成モデルの成功を表層領域に適応させようと試みてきたが、表層データに有効な生成器を定義することは未解決の問題である。 主な理由の1つは、他のモダリティから受け継がれた評価基準が、表型生成モデルが表型データに符号化されたユニークな構造情報を効果的に取得または活用するかどうかを適切に評価できないことである。 本稿では,本フレームワークの限界を慎重に検討し,コア評価次元として構造忠実度を位置づける新しい評価ベンチマークである$\textbf{TabStruct}$を導入する。 特に、TabStructは、実データと合成データの因果構造のアライメントを評価し、表生成モデルが表データの構造をいかに効果的に学習するかの直接的な指標を提供する。 専門的な因果グラフ構造を持つ7つのデータセット上の8つのカテゴリのジェネレータを用いた広範囲な実験により、構造的忠実性はタスクに依存しないドメインに依存しない評価次元を提供することを示した。 本研究は,表層データ構造の重要性を強調し,より効果的で堅牢な表層生成モデルを構築するための実践的ガイダンスを提供する。 コードはhttps://github.com/SilenceX12138/TabStruct.comから入手できる。

関連論文リスト

• Evaluating Inter-Column Logical Relationships in Synthetic Tabular Data Generation [49.898152180805454]
  本稿では,論理的関係の保存性を評価するための3つの評価指標を提案する。 実世界の産業データセット上での古典的手法と最先端の手法の両方の性能を評価することにより,これらの指標を検証する。
  論文  参考訳（メタデータ） (2025-02-06T13:13:26Z)
• A Closer Look at Deep Learning Methods on Tabular Datasets [52.50778536274327]
  タブラルデータは、機械学習のさまざまな領域で広く使われている。 Deep Neural Network(DNN)ベースの手法は最近、有望なパフォーマンスを実証した。 我々は,32種類の最先端の深部・木質の手法を比較し,その平均性能を複数の基準で評価した。
  論文  参考訳（メタデータ） (2024-07-01T04:24:07Z)
• LaTable: Towards Large Tabular Models [63.995130144110156]
  タブラル生成基盤モデルは、異なるデータセットの不均一な特徴空間のために構築が困難である。 LaTableは、これらの課題に対処し、異なるデータセットでトレーニング可能な、新しい拡散モデルである。 LaTableは、分散生成のベースラインよりも優れており、微調整されたLaTableは、より少ないサンプルで分散データセットをより良く生成できる。
  論文  参考訳（メタデータ） (2024-06-25T16:03:50Z)
• Causality for Tabular Data Synthesis: A High-Order Structure Causal Benchmark Framework [18.11940247961923]
  本稿では,自然の先行知識として高次構造因果情報を導入する。 合成データの質を評価するために,複数のベンチマークタスク,高次メトリクス,因果推論タスクを下流タスクとして提案する。
  論文  参考訳（メタデータ） (2024-06-12T15:12:49Z)
• Unifying Structured Data as Graph for Data-to-Text Pre-Training [69.96195162337793]
  Data-to-text (D2T) の生成は、構造化されたデータを自然言語テキストに変換することを目的としている。 データからテキストへの事前学習は、D2T生成の強化に強力であることが証明された。 構造強化トランスを設計し,D2T生成のための構造強化事前学習手法を提案する。
  論文  参考訳（メタデータ） (2024-01-02T12:23:49Z)
• Leveraging Data Recasting to Enhance Tabular Reasoning [21.970920861791015]
  これまでの作業は、主に2つのデータ生成戦略に依存していた。 ひとつは人間のアノテーションで、言語学的に多様なデータを生成するが、拡張は困難である。 第2のカテゴリは合成生成であり、スケーラブルで費用対効果があるが、発明性に欠ける。
  論文  参考訳（メタデータ） (2022-11-23T00:04:57Z)
• Why do tree-based models still outperform deep learning on tabular data? [0.0]
  木をベースとしたモデルが中規模データの最先端のままであることを示す。 木系モデルとニューラルネットワーク(NN)の異なる帰納バイアスに関する実証的研究を行う。
  論文  参考訳（メタデータ） (2022-07-18T08:36:08Z)
• Amortized Inference for Causal Structure Learning [72.84105256353801]
  因果構造を学習することは、通常、スコアまたは独立テストを使用して構造を評価することを伴う探索問題を引き起こす。 本研究では,観測・干渉データから因果構造を予測するため,変分推論モデルを訓練する。 我々のモデルは、実質的な分布シフトの下で頑健な一般化能力を示す。
  論文  参考訳（メタデータ） (2022-05-25T17:37:08Z)
• Table Structure Recognition with Conditional Attention [13.976736586808308]
  テーブル構造認識(TSR)問題は、テーブルの構造を認識し、非構造化テーブルを構造化および機械可読フォーマットに変換することを目的としている。 本研究では, 複雑なテーブル構造を, 頂点と辺がそれぞれ細胞を表し, 細胞間の関連を表わすグラフで表すことができると仮定する。 実験の結果,セル境界ボックスのアライメントは,マイクロ平均F1スコアが0.915から0.963に,マクロ平均F1スコアが0.787から0.923に向上することがわかった。
  論文  参考訳（メタデータ） (2022-03-08T02:44:58Z)
• SubTab: Subsetting Features of Tabular Data for Self-Supervised Representation Learning [5.5616364225463055]
  私たちはTabular Data(SubTab)のサブセット機能である新しいフレームワークを紹介します。 本稿では,タブラルデータ(SubTab)のサブセット機能である新しいフレームワークを提案する。 我々は、自動エンコーダ設定で、その機能の一部分からデータを再構成することで、その基盤となる表現をよりよく捉えることができると論じている。
  論文  参考訳（メタデータ） (2021-10-08T20:11:09Z)
• Adaptive Attribute and Structure Subspace Clustering Network [49.040136530379094]
  自己表現型サブスペースクラスタリングネットワークを提案する。 まず、入力データサンプルを表現する自動エンコーダについて検討する。 そこで我々は, 局所的な幾何学的構造を捉えるために, 混合符号と対称構造行列を構築した。 構築された属性構造と行列に対して自己表現を行い、親和性グラフを学習する。
  論文  参考訳（メタデータ） (2021-09-28T14:00:57Z)

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。