論文の概要: TabQueryBench: A Query-Centric Benchmark for Synthetic Tabular Data

• arxiv url: http://arxiv.org/abs/2607.03926v1
• Date: Sat, 04 Jul 2026 15:43:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.764057
• Title: TabQueryBench: A Query-Centric Benchmark for Synthetic Tabular Data
• Title（参考訳）: TabQueryBench: 合成語彙データのためのクエリ中心ベンチマーク
• Abstract要約: 現代の生成モデルは、その統計的類似性、相関構造、プライバシ、下流機械学習ユーティリティによって評価される。 本稿では,解析クエリを合成データ忠実度の構造評価器として使用する,クエリ中心のベンチマークであるTabQueryBenchを提案する。
• 参考スコア（独自算出の注目度）: 10.967514125065781
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Synthetic tabular data support use cases like data sharing, model development under access restrictions, and rapid prototyping of analytical workflows. Modern generative models are evaluated by their statistical similarity, correlation structure, privacy, and downstream machine-learning utility. However, such evaluations leave a gap: they rarely test the structure that matters for analytical queries. We present TabQueryBench, a query-centric benchmark that uses SQL-shaped analytical queries as structural assessors for synthetic data fidelity. It provides an extensible foundation for query-centric synthetic-data evaluation. From 12 public sources of analytical queries, TabQueryBench taxonomizes recurring cross-domain logic into 44 reusable query templates and grounds them to each dataset via a policy-guided template-to-SQL pipeline. This makes queries schema-aware while preserving comparability across generative models. Across 49 datasets and 11 generative models, it activates 10-12 templates per dataset, producing more than 100 executable SQL queries per dataset. Our systematic experiments show five main patterns. First, current tabular generative models can have good distance-based fidelity, but they still fall short on query-centric fidelity: RealTabFormer achieves the highest query-centric fidelity, but it only reaches 0.75 +/- 0.15 (REAL data score is 1.00). Second, tabular generative models struggle with very high-cardinality discrete support. Third, SOTA generative models preserve good global conditional query-centric fidelity, but fail more on local queries. Fourth, tail fidelity deteriorates as queries move toward the extreme tail; even the best model recovers only about 40.7% of real rare values. Finally, there is a fidelity-cost tradeoff in tabular generation: BayesNet offers the strongest tradeoff, with slightly lower query-centric fidelity but much lower generation cost.
• Abstract（参考訳）: 合成表データのサポート データ共有、アクセス制限下のモデル開発、分析ワークフローの迅速なプロトタイピングといったユースケース。 現代の生成モデルは、その統計的類似性、相関構造、プライバシ、下流機械学習ユーティリティによって評価される。 しかし、そのような評価はギャップを残しており、分析的なクエリで重要な構造をテストすることはめったにない。 本稿では,SQL型解析クエリを合成データ忠実度のための構造評価器として使用する,クエリ中心のベンチマークであるTabQueryBenchを紹介する。 クエリ中心の合成データ評価のための拡張可能な基盤を提供する。 分析クエリの12の公開ソースから、TabQueryBenchは、繰り返し発生するクロスドメインロジックを44の再利用可能なクエリテンプレートに分類し、ポリシガイダンスのテンプレートからSQLへのパイプラインを通じて各データセットに基盤付ける。 これにより、生成モデル間の互換性を維持しながら、クエリスキーマを意識することが可能になる。 49のデータセットと11の生成モデルで、データセット毎に10～12のテンプレートを起動し、データセット毎に100以上の実行可能なSQLクエリを生成する。 私たちの体系的な実験は5つの主要なパターンを示します。 RealTabFormerはクエリ中心の忠実度が最も高いが、0.75 +/- 0.15にしか達しない(REALのデータスコアは1.00)。 第二に、表生成モデルは、非常に高い心力の離散的なサポートに苦しむ。 第三に、SOTA生成モデルは、優れたグローバルな条件付きクエリ中心の忠実さを保持するが、よりローカルなクエリでは失敗する。 第4に、クエリーが極端尾に向かって移動するにつれて尾の忠実度は低下し、最高のモデルでさえ真の稀な値の40.7%しか回復しない。 BayesNetは最強のトレードオフを提供し、クエリ中心の忠実度はわずかに低いが、生成コストははるかに低い。

関連論文リスト

• STQA: A Benchmark for Stock-Focused Tabular Question Answering over Historical and Forecasted Data [9.31186349811686]
  STQA (Stock- Focus Tabular Question Answering) は,歴史データや数値予測,予測に基づく推論などに対する自然言語質問応答の評価を目的とした,エンドツーエンドのベンチマークである。 大規模な財務データセットに基づいて構築されたSTQAは,4,417株をカバーし,専門家が作成したテンプレートから派生した31,400の質問応答ペアと,詳細なインテントとスロットアノテーションを備えている。
  論文  参考訳（メタデータ） (2026-09-05T14:32:40Z)
• Spider 2.0-AIFunc: Extending Real-World Text-to-SQL to AI-Native SQL Workflows [54.49251107006261]
  我々はSpider 2.0-AIFuncを紹介した。これは、Snowflakeプラットフォーム上の6種類のAI機能をカバーする125の現実世界データベースにわたる465の検証済みインスタンスのベンチマークである。 最強のプロプライエタリモデルは67-70%の精度で実行でき、最高のオープンソースモデルは58.1%に達する。
  論文  参考訳（メタデータ） (2026-07-07T12:54:08Z)
• Beyond IID: How General Are Tabular Foundation Models, Really? [76.03669797389378]
  研究コミュニティは、多様なデータセットやタスクに関する基礎モデルをますます評価している。 標準ベンチマークは主に、表形式の基礎モデルがすでに優れているタスクのために定義されている。 BeyondArenaは、グラフデータのための最初の統一された総合的なベンチマークである。
  論文  参考訳（メタデータ） (2026-06-29T14:55:52Z)
• Revisiting Metafeatures to Explain Model Differences on Tabular Data [12.445205798094412]
  TabArenaベンチマークの結果を用いて、データセットレベルのパフォーマンスギャップを分析し、それらをモデルに依存しないデータセット記述子に関連付ける。 ニューラルネットワーク対木間隙の場合、メタフィーチャーが偽発見制御を生き残ることはなく、一方のアソシエーションは堅牢であるが、一方のアソシエーションはLeft-one-data-out予測でテストしても一般化しない。
  論文  参考訳（メタデータ） (2026-05-27T12:50:22Z)
• An Embarrassingly Simple Graph Heuristic Reveals Shortcut-Solvable Benchmarks for Sequential Recommendation [50.09718257952108]
  Sequentialsolvは、シーケンシャルなパターンとセマンティックなアイテム情報を組み合わせたジェネレーティブなレコメンデーターへと移行している。 これらの手法は、しばしば、広く使われている少数のベンチマークで評価され、重要な疑問を提起する: これらのベンチマークは、現代のジェネレーティブレコメンデーターが提供しようとしている高度なモデリング機能を必要としているか? 我々は、意図的な単純なグラフでベンチマーク監査を行い、最後の1つか2つの項目から、数ホップの項目遷移グラフから候補を検索し、項目間類似度でランク付けする。
  論文  参考訳（メタデータ） (2026-05-08T02:00:11Z)
• TopBench: A Benchmark for Implicit Prediction and Reasoning over Tabular Question Answering [80.93487993878836]
  現実世界のクエリの一般的なクラスは暗黙的に予測され、単に検索するのではなく、歴史的パターンから観測されていない回答を推測する必要がある。 これらのクエリには、潜在意図を認識することと、大規模テーブル上での信頼性の高い予測推論という2つの課題がある。 単点予測から意思決定,処理効果分析,複雑な推論に至るまで,4つのサブタスクにわたる779のサンプルからなるベンチマークであるTopBenchを紹介する。
  論文  参考訳（メタデータ） (2026-04-30T16:22:51Z)
• OmniTabBench: Mapping the Empirical Frontiers of GBDTs, Neural Networks, and Foundation Models for Tabular Data at Scale [82.32822441887886]
  私たちはこれまでで最大のベンチマークであるOmniTabBenchを紹介します。 我々は、OmniTabBench上で、すべてのモデルファミリーから最先端モデルの大規模な評価を行い、支配的な勝者がいないことを確認した。
  論文  参考訳（メタデータ） (2026-04-08T08:31:43Z)
• Relational In-Context Learning via Synthetic Pre-training with Structural Prior [60.404256960057545]
  RDB-PFNは、$textbfsynthetic$で純粋にトレーニングされた最初のリレーショナルファンデーションモデルである。 構造因果モデル(Structure Causal Models, SCM)から生成された合成データが単一のテーブル上の推論を可能にするPFN(Presideed-Data Fitted Networks)にインスパイアされた。 RDB-PFNは、19の現実世界の予測タスクにおいて、強い数ショットのパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-03-04T07:30:54Z)
• RelBench v2: A Large-Scale Benchmark and Repository for Relational Data [33.795728412518834]
  RDLのためのRelBenchベンチマークのメジャー拡張であるRelBench v2を紹介する。 RDLモデルは、オートコンプリート予測とレコメンデーションタスクで、シングルテーブルベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2026-02-13T04:23:48Z)
• ModelTables: A Corpus of Tables about Models [7.843042548609869]
  本稿では、Model LakesにおけるテーブルのベンチマークであるModelTablesを紹介し、パフォーマンスと構成の構造化セマンティクスをキャプチャする。 オープンデータレイクテーブルと比較して、モデルテーブルは小さく、テーブル間の関係を示す。 本稿では,テーブル検索であるベンチマークの広範なユースケースについて述べる。
  論文  参考訳（メタデータ） (2025-12-18T02:51:46Z)
• 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)
• REaLTabFormer: Generating Realistic Relational and Tabular Data using Transformers [0.0]
  本稿では,合成データ生成モデルであるREaLTabFormer(Realistic and Tabular Transformer)を紹介する。 まず、自己回帰GPT-2モデルを用いて親テーブルを生成し、その後、シーケンス・ツー・シーケンスモデルを用いて親テーブル上で条件付けられた関係データセットを生成する。 実世界のデータセットを用いた実験では、REaLTabFormerはモデルベースラインよりもリレーショナル構造をよりよくキャプチャする。
  論文  参考訳（メタデータ） (2023-02-04T00:32:50Z)
• TAT-QA: A Question Answering Benchmark on a Hybrid of Tabular and Textual Content in Finance [71.76018597965378]
  TAT-QAと呼ばれるタブラデータとテクスチャデータの両方を含む新しい大規模な質問応答データセットを構築します。 本稿では,テーブルとテキストの両方を推論可能な新しいQAモデルであるTAGOPを提案する。
  論文  参考訳（メタデータ） (2021-05-17T06:12:06Z)

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。