論文の概要: TabChange: Precise Attribute Changes in Tabular Data

• arxiv url: http://arxiv.org/abs/2606.00503v1
• Date: Sat, 30 May 2026 03:36:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:28.495052
• Title: TabChange: Precise Attribute Changes in Tabular Data
• Title（参考訳）: TabChange: タブラリデータの正確な属性変更
• Abstract要約: 修正されたインスタンスは、元のインスタンスから自然かつ最小限に変更されなければならない。 本稿では,関心属性とデータセットの他の属性との関係を解析するTabChangeを提案する。 実験の結果,TabChangeは自然性に匹敵する特性の反事実を生成できることがわかった。
• 参考スコア（独自算出の注目度）: 1.7195886774107125
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modifying an attribute in tabular data often introduces an unnatural instance by breaking its relationships with other attributes. The modified instance must be both natural and minimally changed from the original instance. This paper addresses the challenge of generating such a modified instance. We identify key limitations in existing approaches: generative models either don't support instance-level attribute editing or, in the case of methods like CVAE, retain attribute information in the latent space, leading to unnecessary modifications. To solve this, we propose TabChange, an approach that analyzes the relationship between the attribute of interest and other attributes in the dataset. If the relationship is weak, it simply flips the attribute; if it is strong, it uses an adversarial framework that removes information about the attribute in the latent space representation. This removal enables precise modifications, making only the necessary adjustments to maintain naturalness. Our experiments across seven datasets show that TabChange generates counterfactuals in attributes that are comparable in naturalness and are more proximal to their original instances. This leads to a higher number of valid counterfactuals and a lower number of invalid counterfactuals compared to the baselines.
• Abstract（参考訳）: 表形式のデータで属性を変更すると、他の属性との関係を壊すことで、不自然なインスタンスが発生することが多い。 修正されたインスタンスは、元のインスタンスから自然かつ最小限に変更されなければならない。 本稿では、そのような修正インスタンスを生成するという課題に対処する。 生成モデルは、インスタンスレベルの属性編集をサポートしていないか、CVAEのようなメソッドの場合、潜在空間の属性情報を保持しているため、不要な修正につながる。 そこで本研究では,関心属性とデータセットの他の属性との関係を解析するTabChangeを提案する。 もしその関係が弱いなら、単純に属性を反転させ、もしそれが強いなら、潜在空間表現における属性に関する情報を除去する逆のフレームワークを使う。 この除去は正確な修正を可能にし、自然性を維持するために必要な調整のみを可能にする。 7つのデータセットにわたる実験により、TabChangeは自然性に匹敵する属性の反ファクトアルを生成し、元のインスタンスに近縁であることがわかった。 これにより、有効なカウンターファクトの数が増加し、ベースラインと比較して無効なカウンターファクトの数が減少する。

関連論文リスト

• RIVET: Robust Idempotent Voice Attribute Editing [59.80556306916532]
  本研究は, 騒音ラベルの堅牢性向上に有効な手法として, イデオロシティが有効であることを示す。 RIVETは,騒音をラベル付けするための頑健性を改善するために,イデオロシティの目標を組み込んだトレーニングフレームワークである。 RIVETは、編集の成功を改善し、通常の訓練よりも属性のアイデンティティを保存し、イデオロシティが音声編集モデルの堅牢性を改善することを示す。
  論文  参考訳（メタデータ） (2026-06-17T22:16:13Z)
• Multi-Aspect Controllable Text Generation with Disentangled Counterfactual Augmentation [20.15822422715231]
  マルチアスペクト制御可能なテキスト生成は、複数の側面から生成された属性のテキストを制御することを目的としている。 そこで本研究では,多視点制御可能テキスト生成方式であるMAGICを提案する。 実験により、MAGICは不均衡な特性相関シナリオとバランスの取れた特性相関シナリオの両方において、最先端のベースライン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） (2024-05-30T11:25:42Z)
• Text Attribute Control via Closed-Loop Disentanglement [72.2786244367634]
  本稿では,コンテンツ保存性を高めつつ,属性のロバストな制御を実現するための新しい手法を提案する。 本稿では,半教師付きコントラスト学習法を用いて,潜在空間における属性のアンタングル化を促進する。 Yelp Serviceレビューデータセット、Amazon Product Reviewデータセット、GoEmotionsデータセットを含む3つのテキストデータセットの実験を行った。
  論文  参考訳（メタデータ） (2023-12-01T01:26:38Z)
• Rethinking Pre-Training in Tabular Data: A Neighborhood Embedding Perspective [71.45945607871715]
  メタ表現(TabPTM)を用いたタブラルデータ事前学習を提案する。 中心となる考え方は、データインスタンスを共有機能空間に埋め込むことで、各インスタンスは、近隣の固定数とそのラベルまでの距離で表現される。 101データセットの大規模な実験は、微調整の有無にかかわらず、分類タスクと回帰タスクの両方においてTabPTMの有効性を確認した。
  論文  参考訳（メタデータ） (2023-10-31T18:03:54Z)
• Heterogeneous Entity Matching with Complex Attribute Associations using BERT and Neural Networks [0.7252027234425334]
  複雑な属性関係をキャプチャするエンティティマッチングモデル(EMM-CCAR)を導入する。 具体的には、マッチングタスクをシーケンスマッチング問題に変換して、さまざまなデータフォーマットの影響を軽減する。 DER-SSMとDittoのアプローチと比較すると,F1スコアの約4%,F1スコアの約1%の改善が得られた。
  論文  参考訳（メタデータ） (2023-09-20T03:49:57Z)
• Causal Effect Regularization: Automated Detection and Removal of Spurious Attributes [13.852987916253685]
  多くの分類データセットでは、タスクラベルはいくつかの入力属性と突発的に相関している。 本稿では,ラベルに対する因果関係を推定することにより,スプリアス属性を自動的に識別する手法を提案する。 本手法は, 因果効果のノイズ評価においても, 突発性特性への依存を緩和する。
  論文  参考訳（メタデータ） (2023-06-19T17:17:42Z)
• Spread Spurious Attribute: Improving Worst-group Accuracy with Spurious Attribute Estimation [72.92329724600631]
  本稿では,最悪のグループ精度を向上させるために,疑似属性に基づくアルゴリズムSpread Spurious Attributeを提案する。 各種ベンチマークデータセットに対する実験により,アルゴリズムはベースライン法より一貫して優れていることが示された。 また,提案したSSAは,フル (100%) のスプリアス特性監視を用いた手法に匹敵する性能を達成できることを実証した。
  論文  参考訳（メタデータ） (2022-04-05T09:08:30Z)
• Commutative Lie Group VAE for Disentanglement Learning [96.32813624341833]
  本研究では,データに表される因子の変動を同変的に反映する基盤構造を見いだすこととして,非絡み合い学習を考察する。 グループベースの非絡み合い学習を実現するために、Communative Lie Group VAEというシンプルなモデルが導入された。 実験により,本モデルでは,教師なしの非絡み合い表現を効果的に学習し,余分な制約を伴わずに最先端のパフォーマンスを達成できることが示されている。
  論文  参考訳（メタデータ） (2021-06-07T07:03:14Z)
• Prominent Attribute Modification using Attribute Dependent Generative Adversarial Network [4.654937118111992]
  提案手法は,2つのジェネレータと2つの識別器を基本とし,2つの属性の実際の表現と2つのバイナリを利用する。 CelebAデータセットを用いた実験により,他の顔の細部を無傷に保存し,複数の属性の編集を効果的に行うことができた。
  論文  参考訳（メタデータ） (2020-04-24T13:38:05Z)
• Attribute-based Regularization of Latent Spaces for Variational Auto-Encoders [79.68916470119743]
  本稿では,変分オートエンコーダ(VAE)の潜時空間を,連続値の異なる属性を明示的に符号化する新しい手法を提案する。 これは属性の正規化損失を使用して、属性値と属性が符号化される次元の潜在符号との単調な関係を強制する。
  論文  参考訳（メタデータ） (2020-04-11T20:53:13Z)

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。