論文の概要: LAB-Tab: LLM-Augmented Bayesian Network Adaptation for Few-Shot Tabular Generation

• arxiv url: http://arxiv.org/abs/2608.01879v1
• Date: Mon, 03 Aug 2026 08:24:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:25.406789
• Title: LAB-Tab: LLM-Augmented Bayesian Network Adaptation for Few-Shot Tabular Generation
• Title（参考訳）: LAB-Tab:Few-Shot Tabular GenerationのためのLLM拡張ベイズネットワーク適応
• Abstract要約: LAB-Tab はソース認識型少数ショットタブ生成のための適応フレームワークである。 意味的および弱い統計的証拠を明示的な構造仮説に変換し、編集可能なエッジ空間を拡張する。 10%の目標データ予算で最高のパフォーマンスを達成し、6つのシナリオのうち4つをリードし、マクロ全体のスコアを33.8%下げる。
• 参考スコア（独自算出の注目度）: 6.429893265681642
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Tabular data generation supports analysis and decision-making when target-domain data are scarce, yet collecting complete target samples is often costly. A practical but underexplored setting provides only a few target records together with richer source data from a related domain. Existing few-shot tabular generators often either fit sparse target statistics directly, which can overfit incidental patterns, or reuse source-domain generators, which may preserve dependencies that no longer hold in the target domain. To address this problem, we propose LAB-Tab, an LLM-augmented Bayesian network (BN) adaptation framework for source-aware few-shot tabular generation. LAB-Tab first fits a BN from source data and then uses an LLM to propose plausible target-domain BN edges that are absent from the source BN graph. This step converts semantic and weak statistical evidence into explicit structural hypotheses, thereby expanding the editable edge space beyond the source-fitted graph. Because the proposed edges may be noisy and interact with existing dependencies, a PPO policy calibrates edges in the augmented BN through edge-level actions, including keep, weaken, strengthen, flip, and deactivate. The PPO policy is trained with a reward that combines distributional alignment, downstream utility, and preservation of target-relevant dependencies. The adapted BN is then sampled to synthesize target-domain tables. Across six source--target distribution-shift scenarios built from three US Census (ACS) prediction tasks, LAB-Tab achieves the best performance at the 10% target-data budget, leads four of the six individual scenarios, and reduces the macro Overall score by 33.8% relative to the strongest baseline. It also obtains the best macro JSD, WAPE, and UtilityGap while maintaining competitive feature--label preservation.
• Abstract（参考訳）: タブラルデータ生成は、ターゲットドメインデータが不足している場合の分析と意思決定をサポートするが、完全なターゲットサンプルの収集はコストがかかることが多い。 実用的だが過度に探索された設定は、いくつかのターゲットレコードと、関連するドメインからのよりリッチなソースデータのみを提供する。 既存の数ショットのタブージェネレータは、インシデントパターンに適合するスパースターゲット統計を直接適合させるか、あるいはソースドメインジェネレータを再利用する。 この問題に対処するために,LLM拡張ベイズネットワーク(BN)適応フレームワークであるLAB-Tabを提案する。 LAB-Tab はまずソースデータから BN に適合し、次に LLM を用いてソース BN グラフから欠落する可塑性ターゲットドメイン BN エッジを提案する。 このステップは意味的および弱い統計的証拠を明示的な構造仮説に変換することで、編集可能なエッジ空間を、ソース適合グラフを超えて拡張する。 提案されたエッジはノイズが多く、既存の依存関係と相互作用する可能性があるため、PPOポリシーは、保持、弱化、強化、フリップ、不活性化を含むエッジレベルの作用を通じて、拡張BNのエッジを校正する。 PPOポリシーは、分散アライメント、下流ユーティリティ、およびターゲット関連依存関係の保存を組み合わせた報酬で訓練されている。 適応BNは、ターゲットドメインテーブルを合成するためにサンプリングされる。 3つの米国国勢調査(ACS)予測タスクから構築された6つのソースターゲット分散シフトシナリオのうち、LAB-Tabは10%のターゲットデータ予算で最高のパフォーマンスを達成し、6つの個別シナリオのうち4つをリードし、マクロスコアを最強のベースラインに対して33.8%削減する。 また、競合する機能-ラベル保存を維持しながら、最高のマクロJSD、WAPE、UtilityGapを得る。

関連論文リスト

• Mind the Gap? A Distributional Comparison of Real and Synthetic Priors for Tabular Foundation Models [7.124188498356204]
  タブラル基礎モデルは、ベンチマークリポジトリから収集されたキュレートデータセット、Webから大規模に収集されたテーブル、パラメトリック生成前のデータからサンプリングされた合成テーブルの3つのクラスのうちの1つで事前訓練されている。 この作業では、表層基礎モデルのトレーニングに使用される3つの標準的アーキティパルデータセットを取ります。 各コーパスは, テーブル全体, 列, 相関関係の集合的特徴を用いて特徴付け, 識別器AUCとk-NNのカバレッジ指標を用いて比較する。 我々は、TabICL合成前は実テーブルの空間の狭い領域を占めており、このミスマッチは事前の最適化によっては閉じられないことを発見した。
  論文  参考訳（メタデータ） (2026-05-07T14:29:31Z)
• Unbiased Dynamic Pruning for Efficient Group-Based Policy Optimization [60.87651283510059]
  Group Relative Policy Optimization (GRPO) はLLM推論を効果的にスケールするが、計算コストは禁じている。 本研究では,非バイアス勾配推定を保ちながら動的プルーニングを可能にする動的プルーニングポリシー最適化(DPPO)を提案する。 刈り込みによって引き起こされるデータの空間性を軽減するため,ウィンドウベースの欲求戦略であるDense Prompt Packingを導入する。
  論文  参考訳（メタデータ） (2026-03-04T14:48:53Z)
• Chain-in-Tree: Back to Sequential Reasoning in LLM Tree Search [4.12237459236889]
  Chain-in-Tree (CiT)は、すべてのステップで拡張するのではなく、検索中にいつ分岐するかを決定するフレームワークである。 GSM8KとMath500のトークン生成、モデル呼び出し、ランタイムの75～85%の削減を実現している。
  論文  参考訳（メタデータ） (2025-09-30T06:18:44Z)
• Towards Universal Debiasing for Language Models-based Tabular Data Generation [16.31419748401203]
  我々は,グループレベルの依存性を最小限に抑える汎用的デバイアスフレームワークを導入し,有利属性と保護属性の相互情報を同時に低減する。 当社のフレームワークは公平性とユーティリティのバランスを効果的に保ち、高度アプリケーションでデバイアスを行うためのスケーラブルで実用的なソリューションを提供します。
  論文  参考訳（メタデータ） (2025-09-20T00:06:53Z)
• LADB: Latent Aligned Diffusion Bridges for Semi-Supervised Domain Translation [54.690154688667086]
  拡散モデルは高品質な出力を生成するのに優れているが、データスカースドメインでは課題に直面している。 サンプルからサンプルへの変換のための半教師付きフレームワークであるLatent Aligned Diffusion Bridges (LADB)を提案する。
  論文  参考訳（メタデータ） (2025-09-10T14:23:07Z)
• When few labeled target data suffice: a theory of semi-supervised domain adaptation via fine-tuning from multiple adaptive starts [5.839411310096219]
  半教師付きドメイン適応(SSDA)は、限られたラベル付きターゲットデータを用いて、ターゲット領域で高い予測性能を達成することを目的としている。 本研究では,構造因果モデル(SCM)に基づく理論的枠組みを構築し,ラベル付き対象データに制限がある場合のSSDA手法の性能解析と定量化を可能にする。 本稿では,複数の出発点からUDAモデルを微調整し,最適性能を選択するマルチ・アダプティブ・スタート・ファイン・チューニング(MASFT)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-07-19T15:18:28Z)
• 4DBInfer: A 4D Benchmarking Toolbox for Graph-Centric Predictive Modeling on Relational DBs [67.47600679176963]
  RDBは、相互接続されたテーブルにまたがる膨大な量のリッチで情報的なデータを格納する。 予測機械学習モデルの進歩は、コンピュータビジョンや自然言語処理といった他の領域の進歩に遅れをとっている。 マルチテーブルデータセットをグラフに変換することを前提としたベースラインモデルのクラスを探索する。 大規模RDBデータセットと (ii) 同時予測タスクの多様なコレクションを組み立てる。
  論文  参考訳（メタデータ） (2024-04-28T15:04:54Z)
• Divide and Contrast: Source-free Domain Adaptation via Adaptive Contrastive Learning [122.62311703151215]
  Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。 DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。 さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
  論文  参考訳（メタデータ） (2022-11-12T09:21:49Z)
• Test-time Batch Statistics Calibration for Covariate Shift [66.7044675981449]
  我々は,推論中に深層モデルを新しい環境に適応させることを提案する。 バッチ統計の校正に$alpha$-BNの一般的な定式化を提案する。 また、統合テスト時間適応フレームワークCoreを形成するための新しい損失関数も提示する。
  論文  参考訳（メタデータ） (2021-10-06T08:45:03Z)
• Examining and Combating Spurious Features under Distribution Shift [94.31956965507085]
  我々は、最小限の統計量という情報理論の概念を用いて、ロバストで刺激的な表現を定義し、分析する。 入力分布のバイアスしか持たない場合でも、モデルはトレーニングデータから急激な特徴を拾い上げることができることを証明しています。 分析から着想を得た結果,グループDROは,グループ同士の相関関係を直接考慮しない場合に失敗する可能性が示唆された。
  論文  参考訳（メタデータ） (2021-06-14T05:39:09Z)

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。