論文の概要: Logit-Coordinate Generative Models for Mixed Continuous-Categorical Tabular Data
- arxiv url: http://arxiv.org/abs/2607.23348v1
- Date: Sat, 25 Jul 2026 19:55:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-28 22:34:15.070498
- Title: Logit-Coordinate Generative Models for Mixed Continuous-Categorical Tabular Data
- Title（参考訳）: 混合連続カテゴリータブラリデータのロジット座標生成モデル
- Abstract要約: フローマッチングとガウス拡散はユークリッド空間で作用するが、圏法則は確率の単純化に依存し、非常に不均衡である。
本稿では,分類変数をスムーズな自然パラメータとしてエンコードし,変形した数値変数と組み合わせたロジット座標フレームワークについて検討する。
制御されたシミュレーションは、特に深刻なレアセルの不均衡の下で、スケールしたロジット座標が1ホット座標を改善または一致させることを示した。
- 参考スコア（独自算出の注目度）: 3.845877724862319
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Mixed continuous--categorical data pose a representation problem for continuous generative models. Flow Matching and Gaussian diffusion operate in Euclidean spaces, whereas categorical laws lie on probability simplices and may be highly imbalanced. We study a logit-coordinate framework that encodes categorical variables as smoothed natural parameters and combines them with transformed numerical variables. This yields common formulations of Logit Flow Matching and Logit Diffusion. We introduce a mixed-distribution discrepancy separating categorical marginal error from conditional continuous Wasserstein error, and derive stability bounds and imbalance-aware nonparametric rates linking vector-field or drift error to decoded mixed-distribution error. Controlled simulations show that scaled-logit coordinates improve or match one-hot coordinates, especially under severe rare-cell imbalance. Across four real-data benchmarks and ten splits per dataset, Logit FM improves the primary distributional metrics on three datasets and is comparable on Churn2; Block-Conditional Logit FM consistently improves the flat model; and Logit Diffusion generally improves over or matches One-Hot Diffusion.
- Abstract（参考訳）: 混合連続カテゴリーデータは連続生成モデルに対する表現問題を提起する。
フローマッチングとガウス拡散はユークリッド空間で作用するが、圏法則は確率の単純化に依存し、非常に不均衡である。
本稿では,分類変数をスムーズな自然パラメータとしてエンコードし,変形した数値変数と組み合わせたロジット座標フレームワークについて検討する。
これは、Logit Flow MatchingとLogit Diffusionの共通な定式化をもたらす。
条件付き連続ワッサースタイン誤差からカテゴリ境界誤差を分離し,ベクトル場やドリフト誤差をデコードした混合分布誤差にリンクする安定性境界と非平衡非パラメトリックレートを導出する混合分布誤差を導入する。
制御されたシミュレーションは、特に深刻なレアセルの不均衡の下で、スケールしたロジット座標が1ホット座標を改善または一致させることを示した。
4つの実データベンチマークとデータセット毎の10の分割で、Logit FMは3つのデータセットの一次分散メトリクスを改善し、Churn2に匹敵する。
関連論文リスト
- Impute-EM: Native Mixed-State Diffusion Models for Heterogeneous Data Imputation [71.74203645336385]
Impute-EMは、現在のモデルとインプットされていないエントリを交換し、完了したデータに拡散バックボーンをリフィットする。
我々は、この更新を特徴付け、観測されたマスクインデクシングされた辺縁線が、その限界で目標と一致していることを示す。
論文 参考訳（メタデータ） (2026-09-14T09:39:13Z) - Fluid-DiT: Graph-Free Diffusion Transformers for Fluid Flow Simulations Learning [50.053186229257555]
本稿では,グラフメッセージパッシングを注意に基づく認知に置き換えるグラフ自由拡散変換器を提案する。
変換器のグローバルな受容場を利用することで、Fluid-DiTは局所フロー構造と長距離相関の両方を自然に捉える。
サンプルの品質と分布精度の両方において、グラフベースの拡散ベースラインを一貫して上回る。
論文 参考訳（メタデータ） (2026-08-07T12:28:45Z) - Heavy-Tailed Flow Matching via Random Clocks [52.78194016835051]
不均衡な画像データセット、財務リターン、気象極端など、まれな出来事が不均等な重要性を持つ多くの領域で重大データが発生する。
本稿では,ヘビーテールソースを時計条件のガウスソースの混合として表現するフレームワークであるランダムクロック(Random Clocks, HTFM)によるヘビープレートフローマッチングを提案する。
論文 参考訳（メタデータ） (2026-07-15T13:48:05Z) - Simplifying Flow Matching Transformations with Low-Rank Mixture Models [58.797704398690165]
本稿では,確率的主成分分析器(MPPCA)の混合物を流動の正規化のための潜在密度として用いることを提案する。
我々は,KL分散の観点でデータ分布とより密接に一致した潜在分布を学習することにより,学習フロー変換を単純化する。
MPPCAモデルは期待最大化アルゴリズムを用いて迅速かつ安価に適合し、高次元生成タスクにおいても潜在分布を初期化するための実用的な選択となる。
論文 参考訳（メタデータ） (2026-06-29T03:03:06Z) - From Scores to Gibbs Correctors: Accelerating Uniform-Rate Discrete Diffusion Models [58.02657021435213]
我々は、Gibs-Accelerated Discrete Diffusion (GADD)と呼ばれる離散拡散モデルのための新しいGibsベースの修正器を提案する。
我々はGADDが$mathcalO(mathrmpolylog (varepsilon-1)$の総合的なサンプリング複雑性を達成し、均一レートの離散拡散モデルに対する拡散に基づくサンプリング者にとって最初のレートとなることを示す。
論文 参考訳（メタデータ） (2026-05-26T17:52:28Z) - Geometry-Aware Discretization Error of Diffusion Models [24.297736470921915]
固定された推論予算の下では、限られた数のdenoisingステップだけを使用して、リバースタイムODEまたはSDEをシミュレートする必要がある。
既存の非漸近解析は収束保証を提供するが、一般的には拡散パラメータに敏感すぎるため、実用的な設計を導くことができない。
オイラー・丸山弱度とフレシェの離散化誤差の1次展開を導出する。
論文 参考訳（メタデータ） (2026-05-08T19:02:21Z) - A Unified Measure-Theoretic View of Diffusion, Score-Based, and Flow Matching Generative Models [0.3222802562733787]
本稿では,データ分布への単純な参照分布の移動に基づく連続時間生成モデリング手法について,決定論的ダイナミクスを用いて検討する。
本稿では,拡散モデル,スコアベース生成モデル,フローマッチングが時間依存ベクトル場を学習する一貫したフレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-07T18:32:15Z) - A Unified View of Drifting and Score-Based Models [92.51878018325031]
ドリフトがカーネル平滑分布にスコアベースの定式化を許すことを示すことにより,拡散モデルの背後にあるスコアマッチング原理との関係を正確にする。
一般的なラプラス核に対して正確な分解を導出し、ラプラス核に対してドリフトが低温および高次元状態におけるスコアマッチングの正確なプロキシであることを示す厳密な誤差境界を証明した。
論文 参考訳（メタデータ） (2026-03-08T07:41:36Z) - Risk-Entropic Flow Matching [0.0]
対数指数変換をベース損失に適用することで得られる(エントロピー的な)リスクは、統計学や機械学習において確立されたツールである。
本研究では, 標準リスク感度変換(log-exponential)を条件FM損失に適用し, 結果の傾きリスク損失が有意な条件FM目標上の自然上界であることを示す。
論文 参考訳（メタデータ） (2025-11-28T00:37:37Z) - MissHDD: Hybrid Deterministic Diffusion for Hetrogeneous Incomplete Data Imputation [4.935498694293104]
異種特徴を2つの相補的生成チャネルに分離するハイブリッド決定論的拡散フレームワークを提案する。
DDIMに基づく連続チャネルは、数値変数に対して効率的で安定な決定論的記述を提供する。
ループホリングに基づく離散拡散にインスパイアされた離散潜在経路拡散チャネルは、有効なサンプルを残さずにカテゴリー的および離散的特徴をモデル化する。
2つのチャネルは、統一された条件計算目的の下で訓練され、混合型不完全データのコヒーレントな再構成を可能にする。
論文 参考訳（メタデータ） (2025-11-18T14:44:49Z) - EquiReg: Equivariance Regularized Diffusion for Inverse Problems [67.01847869495558]
拡散に基づく逆問題解法における後方サンプリングを正規化するためのフレームワークであるEquiReg拡散法を提案する。
様々な解法に適用すると、EquiRegは線形および非線形画像復元タスクにおいて最先端の拡散モデルより優れる。
論文 参考訳（メタデータ） (2025-05-29T01:25:43Z) - Score-based Continuous-time Discrete Diffusion Models [102.65769839899315]
連続時間マルコフ連鎖を介して逆過程が認知されるマルコフジャンププロセスを導入することにより、拡散モデルを離散変数に拡張する。
条件境界分布の単純なマッチングにより、偏りのない推定器が得られることを示す。
提案手法の有効性を,合成および実世界の音楽と画像のベンチマークで示す。
論文 参考訳（メタデータ） (2022-11-30T05:33:29Z)
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。