論文の概要: Active Tabular Augmentation via Policy-Guided Diffusion Inpainting

• arxiv url: http://arxiv.org/abs/2605.10315v1
• Date: Mon, 11 May 2026 10:17:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.721999
• Title: Active Tabular Augmentation via Policy-Guided Diffusion Inpainting
• Title（参考訳）: 政策誘導拡散塗布によるアクティブタブラル増強
• Authors: Zheyu Zhang, Shuo Yang, Bardh Prenkaj, Gjergji Kasneci,
• Abstract要約: 我々は忠実さとユーティリティのギャップを形式化し、TAP(Tabular Augmentation Policy)を提案する。 高ユーティリティ領域に向けたTAPステア生成と、明示的なゲーティングと保守的なウィンドウ化コミットメントによる安全な注入制御。 厳しいデータ不足下では、TAPは7つの実世界のデータセットの強力な生成ベースラインを一貫して上回る。
• 参考スコア（独自算出の注目度）: 24.77840620410903
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative tabular augmentation is appealing in data-scarce domains, yet the prevailing focus on distributional fidelity does not reliably translate into better downstream models. We formalize a fidelity-utility gap: common generative objectives prioritize distributional plausibility, whereas augmentation succeeds only when injected samples reduce the current learner's held-out evaluation loss. This gap motivates learning not just how to generate, but what to generate and when to inject as training evolves. We propose TAP (Tabular Augmentation Policy), which couples diffusion inpainting with a lightweight, learner-conditioned policy to steer generation toward high-utility regions and controls safe injection via explicit gating and conservative windowed commitment. Under severe data scarcity, TAP consistently outperforms strong generative baselines on seven real-world datasets, improving classification accuracy by up to 15.6 percentage points and reducing regression RMSE by up to 32%.
• Abstract（参考訳）: データスカース領域では、生成的表層拡大が注目されているが、分布の忠実度に重点を置くことは、より優れた下流モデルに確実に変換されない。 一般的な生成目的が分布の妥当性を優先するのに対して、注入されたサンプルが現在の学習者の保留評価損失を減らす場合にのみ、拡張が成功する。 このギャップは、生成方法だけでなく、トレーニングが進むにつれて、何を生成するか、いつ注入するかを学ぶ動機となります。 そこで本研究では,高ユーティリティ領域への拡散塗装と学習条件の軽量化を両立させるTAP(Tabular Augmentation Policy, Tabular Augmentation Policy)を提案し,明示的なゲーティングと保守的なウィンドウ化コミットメントによる安全な注入を制御した。 厳密なデータ不足下では、TAPは7つの実世界のデータセットの強力な生成ベースラインを一貫して上回り、分類精度を最大15.6ポイント改善し、回帰RMSEを最大32%削減している。

関連論文リスト

• Improving Search Agent with One Line of Code [68.58667107354253]
  ツールベースのエージェント強化学習(TARL)は,検索エージェントが外部ツールと対話できるようにトレーニングするための,有望なパラダイムとして登場した。 textbfSearch textbfAgent textbfPolicy textbfOptimization (textbfSAPO)を提案する。
  論文  参考訳（メタデータ） (2026-03-10T04:07:39Z)
• Deep Leakage with Generative Flow Matching Denoiser [54.05993847488204]
  再建プロセスに先立って生成フローマッチング(FM)を組み込んだ新しい深部リーク攻撃(DL)を導入する。 当社のアプローチは、ピクセルレベル、知覚的、特徴に基づく類似度測定において、最先端の攻撃よりも一貫して優れています。
  論文  参考訳（メタデータ） (2026-01-21T14:51:01Z)
• Diffusion Policies with Value-Conditional Optimization for Offline Reinforcement Learning [11.523827300607541]
  本稿では,Deffusion Policy with Value-conditional Optimization (DIVO)を提案する。 DIVOは、効率的な政策改善を促進しつつ、高品質で広範囲に分布する状態-作用サンプルを生成する。 D4RLベンチマーク上でDIVOを評価し、最先端のベースラインと比較する。
  論文  参考訳（メタデータ） (2025-11-12T02:59:07Z)
• Diffusion-Driven Progressive Target Manipulation for Source-Free Domain Adaptation [108.0345347464393]
  ソースフリードメイン適応(SFDA)は、トレーニング済みのソースモデルとラベルなしのターゲットデータのみを使用して、ドメインシフトに取り組む、困難なタスクである。 非世代SFDA法は、大きなドメイン不一致を伴う挑戦的なシナリオにおいて、信頼性の低い擬似ラベルに悩まされる。 拡散駆動プログレッシブターゲットマニピュレーションという,新しい世代ベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-29T08:38:03Z)
• Continuous Visual Autoregressive Generation via Score Maximization [69.67438563485887]
  本稿では,ベクトル量子化なしで直接視覚的自己回帰生成を可能にする連続VARフレームワークを提案する。 このフレームワークの中で必要なのは、厳密な適切なスコアを選択し、最適化のトレーニング目標として設定することだけです。
  論文  参考訳（メタデータ） (2025-05-12T17:58:14Z)
• CopyrightShield: Enhancing Diffusion Model Security against Copyright Infringement Attacks [61.06621533874629]
  拡散モデルは、攻撃者が戦略的に修正された非侵害画像をトレーニングセットに注入する著作権侵害攻撃に弱い。 まず、上記の攻撃に対して防御するための防御フレームワーク、PhiliptyShieldを提案する。 実験により,PhiliptyShieldは2つの攻撃シナリオで有毒なサンプル検出性能を著しく向上することが示された。
  論文  参考訳（メタデータ） (2024-12-02T14:19:44Z)
• Struggle with Adversarial Defense? Try Diffusion [8.274506117450628]
  アドリア攻撃は微妙な摂動を導入して誤分類を引き起こす。 拡散に基づく敵の訓練は、しばしば収束の課題と高い計算費用に遭遇する。 本稿では,これらの問題を克服するために,真性最大化拡散(TMDC)を提案する。
  論文  参考訳（メタデータ） (2024-04-12T06:52:40Z)
• Unilaterally Aggregated Contrastive Learning with Hierarchical Augmentation for Anomaly Detection [64.50126371767476]
  階層的拡張(UniCon-HA)を用いた一方的集約型コントラスト学習を提案する。 我々は、教師付きおよび教師なしの対照的な損失を通じて、インレーヤの濃度と仮想外れ値の分散を明示的に奨励する。 本手法は,ラベルなし1クラス,ラベルなしマルチクラス,ラベル付きマルチクラスを含む3つのAD設定で評価される。
  論文  参考訳（メタデータ） (2023-08-20T04:01:50Z)

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。