論文の概要: BSTabDiff: Block-Subunit Diffusion Priors for High-Dimensional Tabular Data Generation

• arxiv url: http://arxiv.org/abs/2606.09257v1
• Date: Mon, 08 Jun 2026 09:30:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:06.898211
• Title: BSTabDiff: Block-Subunit Diffusion Priors for High-Dimensional Tabular Data Generation
• Title（参考訳）: BSTabDiff:高次元タブラルデータ生成のためのブロックサブユニット拡散前処理
• Authors: Al Zadid Sultan Bin Habib, Md Younus Ahamed, Prashnna Gyawali, Gianfranco Doretto, Donald A. Adjeroh,
• Abstract要約: BSTabDiffは、$m$の観測された機能を$M$の潜在ブロックに分割するブロックサブユニット生成フレームワークである。 BSTabDiffはより現実的で安定した高次元合成データを生成する。
• 参考スコア（独自算出の注目度）: 4.152637717024763
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High-Dimensional Low-Sample Size (HDLSS) tabular domains (e.g., omics) are characterized by $n \ll m$, where $n$ = number of samples, and $m$ = number of features. Such domains often exhibit strong local correlation groups, sparse cross-group dependencies, heavy-tailed non-Gaussian marginals, heteroscedastic noise, and structured missingness, making direct density learning in $\mathbb{R}^m$ ill-conditioned since $n \ll m$. We propose BSTabDiff, a block-subunit generative framework that partitions the $m$ observed features into $M$ latent blocks ($M \ll m$) and generates each block via a shared low-dimensional subunit variable, concentrating global dependence learning in the compact block-latent space $\mathbb{R}^M$ while decoding to the full feature space with copula-driven dependence, flexible per-feature marginals, and explicit missingness mechanisms. BSTabDiff supports modern deep priors on block latents, including diffusion and normalizing flows, enabling stable synthesis and controllable benchmark generation in the HDLSS regime. Empirically, BSTabDiff produces more realistic and stable high-dimensional synthetic data when compared with unstructured tabular generators on HDLSS data.
• Abstract（参考訳）: High-dimensional Low-Sample Size (HDLSS) タブ状ドメイン(例えば、オミクス)は$n \ll m$で、$n$ = サンプル数、$m$ = 特徴数である。 そのような領域は、強い局所相関群、疎クロス群依存、重尾の非ガウス境界、ヘテロセダスティックノイズ、構造的欠如を示すことが多く、$n \ll m$ 以降、$\mathbb{R}^m$ の直接密度学習を行う。 我々はBSTabDiffを提案する。BSTabDiffは、$m$の観測された特徴を$M$潜在ブロックに分割し、共有された低次元サブユニット変数を介して各ブロックを生成するブロックサブユニット生成フレームワークで、コンパクトなブロックラテント空間$\mathbb{R}^M$におけるグローバル依存学習に集中する。 BSTabDiffは、拡散と正規化フローを含むブロック潜伏剤の近代的なディーププリエントをサポートし、HDLSSシステムで安定した合成と制御可能なベンチマーク生成を可能にする。 経験的に、BSTabDiffはHDLSSデータ上の非構造表生成器と比較して、より現実的で安定した高次元合成データを生成する。

関連論文リスト

• Subspace-Aware Sparse Autoencoders for Effective Mechanistic Interpretability [11.543771846135021]
  スパースオートエンコーダ(SAE)は、大規模言語モデルにおける機械的解釈可能性に広く用いられている。 この仮定はモデル特徴の多次元構造と一致しないことを示す。 本稿では,単一ベクトルデコーダを学習したデコーダサブスペースに置き換えるSubspace-Aware Sparse Autoencoders (SASA)を紹介する。
  論文  参考訳（メタデータ） (2026-06-04T16:08:25Z)
• LimiX-2M: Mitigating Low-Rank Collapse and Attention Bottlenecks in Tabular Foundation Models [56.999481798138625]
  LimiX-2Mは2Mパラメータモデルであり、広く使われているベンチマークでTabPFN-v2とTabICLのベースラインを上回っている。 本稿では,強力なタブラル基礎モデル(TFM)のための統一トークン化・ルートフレームワークを提案する。 その結果、TFMにおける精度-効率トレードオフを改善するキーレバーとして、バリューアウェアトークン化とリードアウト整列ルーティングが強調された。
  論文  参考訳（メタデータ） (2026-06-03T06:07:33Z)
• Metric--Phase Fields: Decoupling Distance and Sign for Thin-Structure Reconstruction from Unoriented Point Clouds [67.30236447078187]
  本稿では,距離近接を位相相から分離する非結合な暗黙的表現であるMetric-Phase Fields (MPFs)を紹介する。 合成および走査された薄殻形状と薄板形状の両方の実験により、MPFは最近のSDF法よりも薄くて層状構造を忠実に保存することが示された。
  論文  参考訳（メタデータ） (2026-05-25T07:08:57Z)
• TabSCM: A practical Framework for Generating Realistic Tabular Data [22.41489215805826]
  因果依存性を保存する混合型ジェネレータであるTabSCMを提案する。 7つの公開データセットでは、TabSCMは最先端のGAN、拡散、LLMベースラインを統計的忠実度で一致または超えている。 生成は明示的な方程式に分解されるので、拡散のみのモデルよりも583$times$高速に実行される。
  論文  参考訳（メタデータ） (2026-04-24T08:10:01Z)
• XFACTORS: Disentangled Information Bottleneck via Contrastive Supervision [37.140199946294565]
  textscXFactorsは弱制御されたVAEフレームワークで、選択された要素のセットを乱し、明示的に制御する。 提案手法は遅延容量の増加とともに精度良くスケールし,実世界のデータセットCelebAで評価する。
  論文  参考訳（メタデータ） (2026-01-29T13:20:48Z)
• FedSVD: Adaptive Orthogonalization for Private Federated Learning with LoRA [68.44043212834204]
  Low-Rank Adaptation (LoRA) は、学習における言語モデルの効率的な微調整に広く用いられている。 Low-Rank Adaptation (LoRA) は、学習における言語モデルの効率的な微調整に広く用いられている。
  論文  参考訳（メタデータ） (2025-05-19T07:32:56Z)
• Computational-Statistical Gaps in Gaussian Single-Index Models [77.1473134227844]
  単次元モデル(Single-Index Models)は、植木構造における高次元回帰問題である。 我々は,統計的クエリ (SQ) と低遅延多項式 (LDP) フレームワークの両方において,計算効率のよいアルゴリズムが必ずしも$Omega(dkstar/2)$サンプルを必要とすることを示した。
  論文  参考訳（メタデータ） (2024-03-08T18:50:19Z)
• DFedADMM: Dual Constraints Controlled Model Inconsistency for Decentralized Federated Learning [52.83811558753284]
  分散学習(DFL)は、中央サーバーを捨て、分散通信ネットワークを確立する。 既存のDFL手法は依然として、局所的な矛盾と局所的な過度なオーバーフィッティングという2つの大きな課題に悩まされている。
  論文  参考訳（メタデータ） (2023-08-16T11:22:36Z)
• Generalization Bounds for Stochastic Gradient Descent via Localized $\varepsilon$-Covers [16.618918548497223]
  本稿では,SGDの軌道に局在する新しい被覆手法を提案する。 このローカライゼーションは、境界数によって測定されるアルゴリズム固有のクラスタリングを提供する。 これらの結果は様々な文脈で導き出され、既知の最先端のラベルレートが向上する。
  論文  参考訳（メタデータ） (2022-09-19T12:11:07Z)
• Subspace clustering in high-dimensions: Phase transitions \& Statistical-to-Computational gap [24.073221004661427]
  部分空間クラスタリングを研究するための単純なモデルは、高次元の$k$-ガウス混合モデルである。 広帯域な高次元状態における統計的に最適な再構成誤差を正確に評価する。
  論文  参考訳（メタデータ） (2022-05-26T17:47:35Z)

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。