論文の概要: SAGE: Sparse Adaptive Guidance for Dependency-Aware Tabular Data Generation
- arxiv url: http://arxiv.org/abs/2604.24368v1
- Date: Mon, 27 Apr 2026 12:03:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-28 17:12:07.970143
- Title: SAGE: Sparse Adaptive Guidance for Dependency-Aware Tabular Data Generation
- Title（参考訳）: SAGE: 依存を意識したタブラルデータ生成のための疎適応ガイダンス
- Abstract要約: SAGE(Sparse Adaptive Guidance)は,SparseおよびDynamicDependency Guideを実装した,新しいLCMベースの生成フレームワークである。
SAGEは,従来のLCM法に比べてF1スコアを10%向上させるとともに,政策違反を1ポイント低減することを示す。
- 参考スコア（独自算出の注目度）: 24.77840620410903
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Generating high-fidelity synthetic tabular data remains a critical challenge for enhancing data availability in privacy-sensitive and low-resource domains. Recent approaches leverage LLMs by representing table rows as sequences, yet suffer from two fundamental limitations: (1) they model feature dependencies densely, introducing spurious correlations; and (2) they assume static relationships between features, ignoring how these dependencies vary with feature values. To overcome these limitations, we introduce SAGE (Sparse Adaptive Guidance), a novel LLM-based generation framework that enforces sparse and dynamic dependency guidance. SAGE discretizes features into value-aware pseudo-features and constructs a mutual information-based sparse dependency graph. This graph adaptively guides generation through explicit context selection or implicit logit correction, enabling LLMs to focus on truly relevant information during synthesis. Our extensive experiments across six datasets and multiple tasks reveal that SAGE not only improves data fidelity and downstream utility, boosting F1 scores by 10% compared to previous LLM-based methods, but also reduces policy violations by one point. These results highlight the importance of adaptive structure in tabular data generation and provide new insights into context-sensitive control of LLMs.
- Abstract（参考訳）: 高忠実な合成表データを生成することは、プライバシに敏感で低リソースなドメインでのデータ可用性を向上させる上で、依然として重要な課題である。
最近のアプローチでは、テーブル行をシーケンスとして表現することでLCMを利用するが、(1)機能依存を密にモデル化し、突発的な相関を導入し、(2)機能間の静的な関係を仮定し、これらの依存関係が機能値とどのように異なるかを無視する、という2つの基本的な制限に悩まされている。
SAGE(Sparse Adaptive Guidance)は,SparseおよびDynamicDependency Guideを実装した,新しいLCMベースの生成フレームワークである。
SAGEは、機能をバリューアウェアな擬似特徴に識別し、相互情報に基づくスパース依存グラフを構築する。
このグラフは、明示的な文脈選択または暗黙のロジット補正を通じて生成を適応的にガイドし、LLMが合成中に真に関連する情報に集中できるようにする。
6つのデータセットと複数のタスクにわたる広範な実験により、SAGEはデータ忠実度と下流ユーティリティを改善し、従来のLCMベースの手法と比較してF1スコアを10%引き上げるだけでなく、ポリシー違反を1ポイント削減することが明らかになりました。
これらの結果は、表型データ生成における適応構造の重要性を強調し、LLMの文脈に敏感な制御に関する新たな洞察を提供する。
関連論文リスト
- Sparse Personalized Text Generation with Multi-Trajectory Reasoning [95.19317487799292]
PAT(Personalization with Aligned Trajectories)は、コールドスタートLDMパーソナライズのための推論フレームワークである。
まず、スタイリスティックに類似したユーザからの書き込みスタイルの手がかりと、嗜好に沿ったユーザからのトピック固有のコンテキストの2つの相補的なトラジェクトリに沿って情報を取得する。
次に、強化学習に基づく反復的な二重共振機構を用い、LLMはこれらの信号を共同で洗練し統合することができる。
論文 参考訳（メタデータ） (2026-04-27T20:58:49Z) - Self-Reinforcing Controllable Synthesis of Rare Relational Data via Bayesian Calibration [12.065354583341518]
本研究では、データ生成にプログレッシブ・チェーン・オブ・シークレット・ステップを用いる、統合されたコンテキスト内学習フレームワークであるRDDGを提案する。
生成したデータの品質を自動評価する自己強化フィードバック機構が組み込まれている。
複数の実・合成データセットに対する実験結果から、RDDGは、データ忠実度と下流不均衡な分類性能の両方において、既存のアプローチよりも優れていることが示された。
論文 参考訳（メタデータ） (2026-04-18T04:15:24Z) - Actions Speak Louder than Prompts: A Large-Scale Study of LLMs for Graph Inference [7.817259532290553]
大規模言語モデル(LLM)は、テキストリッチなグラフ機械学習タスクにますます利用されている。
関心の高まりにもかかわらず、この分野はグラフデータとの相互作用におけるLLMの能力の原則的な理解を欠いている。
論文 参考訳（メタデータ） (2025-09-23T00:46:21Z) - Limited Reference, Reliable Generation: A Two-Component Framework for Tabular Data Generation in Low-Data Regimes [7.036974567001374]
ReFineは、ドメイン固有の機能の配布に向けて生成をガイドするフレームワークである。
様々な回帰と分類のベンチマークの実験では、ReFineは最先端の手法を一貫して上回っている。
論文 参考訳（メタデータ） (2025-09-12T04:34:46Z) - Doubling Your Data in Minutes: Ultra-fast Tabular Data Generation via LLM-Induced Dependency Graphs [15.476573983202162]
タブラルデータはさまざまなドメインで重要であるが、プライバシの懸念と収集コストのため、高品質なデータセットは依然として不足している。
本稿では,SPADA for SPArse Dependency-driven Augmentationを提案する。
4つのデータセットの実験により、SPADAは拡散ベースの手法と比較して制約違反を4%削減し、LCMベースのベースラインよりも約9500倍高速に生成することが示された。
論文 参考訳（メタデータ） (2025-07-25T14:43:50Z) - Not All Features Deserve Attention: Graph-Guided Dependency Learning for Tabular Data Generation with Language Models [24.77840620410903]
本研究では,疎依存性グラフを大規模言語モデルの注意機構に統合する新しい手法であるGraDe(Graph-Guided Dependency Learning)を提案する。
GraDeは、外部から抽出された関数依存によってガイドされる軽量な動的グラフ学習モジュールを採用し、重要機能間の相互作用を優先し、無関係なものを抑制する。
さまざまな実世界のデータセットに対する我々の実験は、GraDeが既存のLCMベースのアプローチを12%も上回っていることを示している。
論文 参考訳（メタデータ） (2025-07-24T15:22:27Z) - LLM-TabLogic: Preserving Inter-Column Logical Relationships in Synthetic Tabular Data via Prompt-Guided Latent Diffusion [49.898152180805454]
合成データセットはドメイン固有の論理的一貫性を維持する必要がある。
既存の生成モデルは、しばしばこれらのカラム間の関係を見落としている。
本研究では,ドメイン知識を必要とせずに列間関係を効果的に維持する手法を提案する。
論文 参考訳（メタデータ） (2025-03-04T00:47:52Z) - Refining Sentence Embedding Model through Ranking Sentences Generation with Large Language Models [60.00178316095646]
多くのNLPタスクには文の埋め込みが不可欠であり、NLIのようなデータセットを使用して強いパフォーマンスを達成する対照的な学習方法がある。
近年の研究では、大きな言語モデル(LLM)を利用して文ペアを生成し、アノテーション依存を減らしている。
本稿では,潜在空間におけるLLMの生成方向を制御する手法を提案する。
複数のベンチマークによる実験により,本手法は文合成に要するコストを最小限に抑えつつ,新たなSOTA性能を実現することを示した。
論文 参考訳（メタデータ） (2025-02-19T12:07:53Z) - DARG: Dynamic Evaluation of Large Language Models via Adaptive Reasoning Graph [70.79413606968814]
本稿では,適応推論グラフ展開(DARG)によるLCMの動的評価を導入し,複雑性と多様性を制御した現在のベンチマークを動的に拡張する。
具体的には、まず現在のベンチマークでデータポイントの推論グラフを抽出し、それから推論グラフを摂動させて新しいテストデータを生成する。
このような新しく生成されたテストサンプルは、元のベンチマークと同様の言語的多様性を維持しながら、複雑さのレベルが異なる可能性がある。
論文 参考訳（メタデータ） (2024-06-25T04:27:53Z) - Curated LLM: Synergy of LLMs and Data Curation for tabular augmentation in low-data regimes [57.62036621319563]
本稿では,Large Language Models (LLMs) の知識を低データ構造におけるデータ拡張に活用したCLLMを紹介する。
従来のジェネレータと比較して,低データ方式におけるCLLMの優れた性能を示す。
論文 参考訳（メタデータ） (2023-12-19T12:34:46Z) - From Quantity to Quality: Boosting LLM Performance with Self-Guided Data Selection for Instruction Tuning [52.257422715393574]
本稿では,Large Language Models (LLMs) の自己誘導手法を導入し,オープンソースデータセットからサクラサンプルを自動識別し,選択する。
我々の重要な革新である命令追従困難度(IFD)メトリックは、モデルが期待する応答と本質的な生成能力の相違を識別するための重要な指標として現れます。
論文 参考訳（メタデータ） (2023-08-23T09:45:29Z)
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。