論文の概要: A Comprehensive Survey of Synthetic Tabular Data Generation

• arxiv url: http://arxiv.org/abs/2504.16506v3
• Date: Thu, 17 Jul 2025 03:22:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-18 13:45:37.402388
• Title: A Comprehensive Survey of Synthetic Tabular Data Generation
• Title（参考訳）: 合成語彙データ生成に関する包括的調査
• Authors: Ruxue Shi, Yili Wang, Mengnan Du, Xu Shen, Yi Chang, Xin Wang,
• Abstract要約: タブラルデータ(英: Tabular data)は、医療、金融、教育といった現実世界のアプリケーションにおいて、最も一般的で重要なデータフォーマットの1つである。 本調査は,本分野の総合的な理解を研究者や実践者に提供することを目的としている。
• 参考スコア（独自算出の注目度）: 31.576625554168473
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Tabular data is one of the most prevalent and important data formats in real-world applications such as healthcare, finance, and education. However, its effective use in machine learning is often constrained by data scarcity, privacy concerns, and class imbalance. Synthetic tabular data generation has emerged as a powerful solution, leveraging generative models to learn underlying data distributions and produce realistic, privacy-preserving samples. Although this area has seen growing attention, most existing surveys focus narrowly on specific methods (e.g., GANs or privacy-enhancing techniques), lacking a unified and comprehensive view that integrates recent advances such as diffusion models and large language models (LLMs). In this survey, we present a structured and in-depth review of synthetic tabular data generation methods. Specifically, the survey is organized into three core components: (1) Background, which covers the overall generation pipeline, including problem definitions, synthetic tabular data generation methods, post processing, and evaluation; (2) Generation Methods, where we categorize existing approaches into traditional generation methods, diffusion model methods, and LLM-based methods, and compare them in terms of architecture, generation quality, and applicability; and (3) Applications and Challenges, which summarizes practical use cases, highlights common datasets, and discusses open challenges such as heterogeneity, data fidelity, and privacy protection. This survey aims to provide researchers and practitioners with a holistic understanding of the field and to highlight key directions for future work in synthetic tabular data generation.
• Abstract（参考訳）: タブラルデータ(英: Tabular data)は、医療、金融、教育といった現実世界のアプリケーションにおいて、最も一般的で重要なデータフォーマットの1つである。 しかしながら、機械学習における効果的な使用は、データ不足、プライバシー上の懸念、クラス不均衡によって制約されることが多い。 合成表データ生成は、生成モデルを利用して基礎となるデータ分布を学習し、現実的でプライバシ保護のサンプルを生成する、強力なソリューションとして登場した。 この領域は注目されているが、既存の調査のほとんどは特定の方法(例えば、GANやプライバシ向上技術)に限定しており、拡散モデルや大規模言語モデル(LLM)といった最近の進歩を統合する統一的で包括的な見解が欠如している。 本稿では,合成表データ生成手法の構造化と詳細な検討を行う。 具体的には,(1)問題定義,合成表形式データ生成手法,ポストプロセッシング,評価を含む全体の生成パイプラインをカバーする背景,(2)既存のアプローチを従来の生成手法,拡散モデル手法,LSMベースの手法に分類し,アーキテクチャ,生成品質,適用性の観点から比較する生成方法,(3)実用的なユースケースを要約したアプリケーションと課題,共通データセットの強調,不均一性,データ忠実性,プライバシ保護といったオープンな課題について論じる。 本調査は,本分野の総合的な理解と,合成表データ生成における今後の研究の方向性を明らかにすることを目的としている。

関連論文リスト

• Synthetic Tabular Data Generation: A Comparative Survey for Modern Techniques [6.744437741221969]
  プライバシー規制が厳しくなり、現実世界のデータへのアクセスが制限されるようになるにつれ、合成データ生成は重要なソリューションとして現れてきた。 このレビューでは、条件付き生成やリスクに敏感なモデリングを含む、合成データ生成を駆動する実行可能な目標を優先する。
  論文  参考訳（メタデータ） (2025-07-15T14:57:23Z)
• Anomaly Detection and Generation with Diffusion Models: A Survey [51.61574868316922]
  異常検出(AD)は、サイバーセキュリティ、金融、医療、工業製造など、さまざまな分野において重要な役割を担っている。 近年のディープラーニング,特に拡散モデル(DM)の進歩は,大きな関心を集めている。 この調査は、研究者や実践者が様々なアプリケーションにまたがる革新的なADソリューションにDMを利用することをガイドすることを目的としている。
  論文  参考訳（メタデータ） (2025-06-11T03:29:18Z)
• An Empirical Study of Validating Synthetic Data for Text-Based Person Retrieval [51.10419281315848]
  我々は,テキストベース人検索(TBPR)研究における合成データの可能性を探るため,実証的研究を行った。 本稿では,自動プロンプト構築戦略を導入するクラス間画像生成パイプラインを提案する。 我々は、画像のさらなる編集に生成AIモデルを応用した、クラス内画像拡張パイプラインを開発する。
  論文  参考訳（メタデータ） (2025-03-28T06:18:15Z)
• Empowering Time Series Analysis with Synthetic Data: A Survey and Outlook in the Era of Foundation Models [104.17057231661371]
  時系列解析は複雑なシステムの力学を理解するために重要である。 基本モデルの最近の進歩はタスク非依存の時系列基礎モデル (TSFM) と大規模言語モデルベース時系列モデル (TSLLM) につながっている。 彼らの成功は、規制、多様性、品質、量制約のために構築が困難である、大規模で多様で高品質なデータセットに依存する。 本調査では,TSFMとTLLLMの合成データの総合的なレビュー,データ生成戦略の分析,モデル事前学習におけるそれらの役割,微調整,評価,今後の研究方向性の特定について述べる。
  論文  参考訳（メタデータ） (2025-03-14T13:53:46Z)
• A Survey on Tabular Data Generation: Utility, Alignment, Fidelity, Privacy, and Beyond [53.56796220109518]
  異なるユースケースは、実際に有用な異なる要件を満たすために合成データを要求する。 合成データの実用性、合成データのドメイン固有の知識との整合性、実際のデータ分布と比較しての合成データ分布の統計的忠実度、プライバシ保護能力の4つの要件をレビューする。 今後の分野の方向性と、現在の評価方法を改善する機会について論じる。
  論文  参考訳（メタデータ） (2025-03-07T21:47:11Z)
• LLM-TabFlow: Synthetic Tabular Data Generation with Inter-column Logical Relationship Preservation [49.898152180805454]
  本研究は,合成表型データ生成におけるカラム間関係の保存について,初めて明示的に検討したものである。 LLM-TabFlowは複雑なカラム間関係と圧縮データをキャプチャする新しい手法であり、Score-based Diffusion を用いて遅延空間における圧縮データの分布をモデル化する。 LLM-TabFlowは、カラム間の関係を完全に保ちながら、データの忠実性、ユーティリティ、プライバシの最良のバランスを保ちながら、すべてのベースラインを上回ります。
  論文  参考訳（メタデータ） (2025-03-04T00:47:52Z)
• Towards Data-Centric AI: A Comprehensive Survey of Traditional, Reinforcement, and Generative Approaches for Tabular Data Transformation [37.43210238341124]
  この調査では、データ空間の洗練に欠かせない技術として、特徴選択と特徴生成を強調し、データ中心型AIの重要な側面について検討する。 本稿では、最も関連性の高いデータ属性を識別・保持する機能選択手法の体系的なレビューと、複雑なデータパターンのキャプチャーを容易にする新機能を作成する機能生成アプローチについて述べる。
  論文  参考訳（メタデータ） (2025-01-17T21:05:09Z)
• Second FRCSyn-onGoing: Winning Solutions and Post-Challenge Analysis to Improve Face Recognition with Synthetic Data [104.30479583607918]
  第2回FRCSyn-onGoingチャレンジは、CVPR 2024で開始された第2回顔認識チャレンジ(FRCSyn)に基づいている。 我々は、顔認識における現在の課題を解決するために、個々のデータと実際のデータの組み合わせの両方で合成データの利用を検討することに重点を置いている。
  論文  参考訳（メタデータ） (2024-12-02T11:12:01Z)
• 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)
• Tabular Data Synthesis with Differential Privacy: A Survey [24.500349285858597]
  データ共有はコラボレーティブなイノベーションの前提条件であり、さまざまなデータセットを活用して深い洞察を得ることを可能にします。 データ合成は、実際のデータの統計特性を保存する人工データセットを生成することで、この問題に対処する。 プライバシーに配慮したデータ共有に対する、有望なアプローチとして、異なるプライベートなデータ合成が登場している。
  論文  参考訳（メタデータ） (2024-11-04T06:32:48Z)
• Artificial Inductive Bias for Synthetic Tabular Data Generation in Data-Scarce Scenarios [8.062368743143388]
  本稿では,限られた実データ環境下でDGM(Deep Generative Models)を用いて,現実的で信頼性の高い合成データを生成する手法を提案する。 本稿では,移動学習とメタ学習技術を用いて,DGMにおける人工的帰納バイアスを生成する方法を提案する。 我々は,2つの最先端DGM,すなわち変分オートエンコーダとジェネレーティブ・アダクティブ・アダクティブ・ネットワークを用いて,人工的帰納バイアスがより優れた合成データ品質をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-07-03T12:53:42Z)
• On LLMs-Driven Synthetic Data Generation, Curation, and Evaluation: A Survey [26.670507323784616]
  大規模言語モデル(LLM)は、合成データ生成による現実世界のデータ制限を軽減するために、データ中心のソリューションを提供する。 本稿では、合成データ生成の一般的なワークフローに基づく、関連する研究の組織を提供する。
  論文  参考訳（メタデータ） (2024-06-14T07:47:09Z)
• Differentially Private Tabular Data Synthesis using Large Language Models [6.6376578496141585]
  本稿ではDP-LLMTGenについて紹介する。 DP-LLMTGenは、2段階の微調整手順を用いて、センシティブなデータセットをモデル化する。 微調整LDMをサンプリングすることで合成データを生成する。
  論文  参考訳（メタデータ） (2024-06-03T15:43:57Z)
• A Comprehensive Survey on Data Augmentation [55.355273602421384]
  データ拡張(Data augmentation)は、既存のデータサンプルを操作することによって高品質な人工データを生成する技術である。 既存の文献調査では、特定のモダリティデータにのみ焦点が当てられている。 本稿では,異なる共通データモダリティのためのデータ拡張技術を含む,より啓蒙的な分類法を提案する。
  論文  参考訳（メタデータ） (2024-05-15T11:58:08Z)
• Data Augmentation in Human-Centric Vision [54.97327269866757]
  本研究では,人間中心型視覚タスクにおけるデータ拡張手法の包括的分析を行う。 それは、人物のReID、人間のパーシング、人間のポーズ推定、歩行者検出など、幅広い研究領域に展開している。 我々の研究は、データ拡張手法をデータ生成とデータ摂動の2つの主なタイプに分類する。
  論文  参考訳（メタデータ） (2024-03-13T16:05:18Z)
• Comprehensive Exploration of Synthetic Data Generation: A Survey [4.485401662312072]
  この研究は、過去10年間で417のSynthetic Data Generationモデルを調査します。 その結果、ニューラルネットワークベースのアプローチが普及し、モデルのパフォーマンスと複雑性が向上したことが明らかになった。 コンピュータビジョンが支配的であり、GANが主要な生成モデルであり、拡散モデル、トランスフォーマー、RNNが競合する。
  論文  参考訳（メタデータ） (2024-01-04T20:23:51Z)
• 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)
• Deep Generative Models, Synthetic Tabular Data, and Differential Privacy: An Overview and Synthesis [2.8391355909797644]
  本稿では, 深層生成モデルによる合成データ生成の最近の進展を包括的に分析する。 具体的には、プライバシーに敏感なデータにおける合成データ生成の重要性について概説する。
  論文  参考訳（メタデータ） (2023-07-28T09:17:03Z)
• SoK: Privacy-Preserving Data Synthesis [72.92263073534899]
  本稿では,プライバシ保護データ合成(PPDS)に注目し,その分野の総合的な概要,分析,議論を行う。 PPDSでは,統計的手法と深層学習(DL)に基づく手法の2つの顕著な研究を統一するマスターレシピを作成した。
  論文  参考訳（メタデータ） (2023-07-05T08:29:31Z)
• TSGM: A Flexible Framework for Generative Modeling of Synthetic Time Series [61.436361263605114]
  時系列データは、研究者と産業組織間のデータの共有を妨げるため、しばしば不足または非常に敏感である。 本稿では,合成時系列の生成モデリングのためのオープンソースフレームワークである時系列生成モデリング(TSGM)を紹介する。
  論文  参考訳（メタデータ） (2023-05-19T10:11:21Z)
• Machine Learning for Synthetic Data Generation: A Review [23.073056971997715]
  本稿では,合成データの生成を目的とした機械学習モデルを用いた既存研究についてレビューする。 このレビューは、合成データ生成、コンピュータビジョン、スピーチ、自然言語処理、ヘルスケア、ビジネスドメインの応用から始まる様々な視点を網羅している。 この論文は、合成データ生成に関するプライバシーと公平性に関する重要な側面についても論じている。
  論文  参考訳（メタデータ） (2023-02-08T13:59:31Z)

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。