論文の概要: Hierarchical Synthetic Tabular Data Generation: A Hybrid Top-Down and Bottom-Up Framework

• arxiv url: http://arxiv.org/abs/2605.28198v1
• Date: Wed, 27 May 2026 09:21:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:55.92383
• Title: Hierarchical Synthetic Tabular Data Generation: A Hybrid Top-Down and Bottom-Up Framework
• Title（参考訳）: Hierarchical Synthetic Tabular Data Generation: トップダウンとボトムアップのハイブリッドフレームワーク
• Authors: Junfeng Nie, Alvin Jin, Xiaohui Chen,
• Abstract要約: テクスチャから意味構造を分離する階層型ハイブリッドトップダウンとボトムアップ(H-TDBU)フレームワークを提案する。 実験結果から,H-TDBUアプローチはニューラルベースライン法よりも列車合成-テスト-リアル性能を向上させることが示された。 この結果から,階層型規則誘導合成は,合成データ生成における制御性,セマンティックコヒーレンス,統計的忠実度を結合する有効なメカニズムを提供すると考えられる。
• 参考スコア（独自算出の注目度）: 14.715376615336536
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Existing approaches for synthetic tabular data generation are based on either purely generative models or LLMs, both of which struggle with data heterogeneity, logical consistency, rare-event coverage, and robustness in low-data regimes. In this paper, we propose a hierarchical hybrid top-down and bottom-up (H-TDBU) framework that decouples semantic structures from stochastic texture. In the top-down path, structure-driven logical constraints and cross-modal alignment rules are constructed, while in the bottom-up path, lightweight tabular generators are used to learn local statistical patterns from real data. The two paths are consolidated in a unified synthesis engine with an iterative feedback loop. We evaluate the framework on weak multimodal financial benchmarks combining tabular and sentiment-text data. Experimental results show that our H-TDBU approach improves train-synthetic-test-real performance over neural baseline methods while preserving semantic consistency. Our results suggest that hierarchical rule-guided synthesis provides an effective mechanism for combining controllability, semantic coherence, and statistical fidelity in synthetic data generation.
• Abstract（参考訳）: 既存の合成表データ生成のアプローチは、データの不均一性、論理的整合性、希薄なカバレッジ、低データ体制の堅牢性に苦しむ純粋生成モデルまたはLLMに基づいている。 本稿では,確率的テクスチャから意味構造を分離する階層型ハイブリッドトップダウンとボトムアップ(H-TDBU)フレームワークを提案する。 トップダウンパスでは、構造駆動論理制約とクロスモーダルアライメントルールが構築され、ボトムアップパスでは、実データから局所的な統計パターンを学習するために軽量なタブ状ジェネレータが使用される。 2つの経路は、反復的なフィードバックループを持つ統合合成エンジンに統合される。 表と感情テキストデータを組み合わせた弱いマルチモーダル金融ベンチマークの枠組みを評価する。 実験結果から,H-TDBUアプローチは,意味的一貫性を維持しつつ,ニューラルベースライン法よりも列車合成-テスト-リアル性能を向上させることが示された。 この結果から,階層型規則誘導合成は,合成データ生成における制御性,セマンティックコヒーレンス,統計的忠実度を結合する有効なメカニズムを提供すると考えられる。

関連論文リスト

• Self-Improving Tabular Language Models via Iterative Group Alignment [76.43372236405664]
  自動フィードバックによるデータ生成のための,最初の自己改善フレームワークであるTabGRAAを紹介する。 新たに生成されたサンプルを高品質なグループと低品質なグループに分割し、グループ相対的な有利な目標を優先順位付けする。 実験では、TabGRAAは、忠実さ、ユーティリティ、プライバシにおいて、既存のメソッドよりも優れています。
  論文  参考訳（メタデータ） (2026-04-21T01:29:52Z)
• 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)
• A Technical Exploration of Causal Inference with Hybrid LLM Synthetic Data [3.121656940390038]
  大規模言語モデル(LLM)は、合成データを生成する柔軟な手段を提供する。 既存のアプローチでは、平均処理効果(ATE)のような主要な因果パラメータを保存できない場合が多い。
  論文  参考訳（メタデータ） (2025-10-31T23:34:44Z)
• StructSynth: Leveraging LLMs for Structure-Aware Tabular Data Synthesis in Low-Data Regimes [15.476662936746989]
  構造化シンス(Struct Synth)は、大規模言語モデルの生成能力と堅牢な構造制御を統合する新しいフレームワークである。 最先端の手法よりもはるかに高い構造整合性と下流の実用性を持つ合成データを生成する。 これは低データのシナリオに挑戦する上で特に有効であることが証明され、プライバシー保護と統計的忠実性の間のトレードオフをナビゲートすることに成功した。
  論文  参考訳（メタデータ） (2025-08-04T16:55:02Z)
• RelDiff: Relational Data Generative Modeling with Graph-Based Diffusion Models [83.6013616017646]
  RelDiffは、外部キーグラフ構造を明示的にモデル化することによって完全な関係データベースを合成する新しい拡散生成モデルである。 RelDiffは、現実的で一貫性のある合成リレーショナルデータベースの作成において、従来手法よりも一貫して優れている。
  論文  参考訳（メタデータ） (2025-05-31T21:01:02Z)
• LLMSynthor: Macro-Aligned Micro-Records Synthesis with Large Language Models [20.767947974005168]
  LLM Synthorは、ターゲットのマクロ統計と一致した現実的なマイクロレコードを生成するマクロ認識シミュレータである。 合成データセットを反復的に構築し、合成アグリゲーションとターゲットアグリゲーションの差を最小限に抑える。 強力な現実主義、統計的忠実さ、実用性を実現し、経済学、社会科学、都市研究に広く応用されている。
  論文  参考訳（メタデータ） (2025-05-20T13:35:38Z)
• Scaling Laws of Synthetic Data for Language Models [125.41600201811417]
  プレトレーニングコーパスを多種多様な高品質な合成データセットに変換するスケーラブルなフレームワークであるSynthLLMを紹介した。 提案手法は,グラフアルゴリズムを用いて複数の文書にまたがるハイレベルな概念を自動的に抽出し,再結合することで実現している。
  論文  参考訳（メタデータ） (2025-03-25T11:07:12Z)
• 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)
• 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)

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。