論文の概要: FUSE: Feature-Wise Unified Specialization with Cross-Column Exchange for Mixed-Type Tabular Flow Matching
- arxiv url: http://arxiv.org/abs/2608.07294v1
- Date: Fri, 07 Aug 2026 14:50:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-10 16:21:25.535199
- Title: FUSE: Feature-Wise Unified Specialization with Cross-Column Exchange for Mixed-Type Tabular Flow Matching
- Title（参考訳）: FUSE:混合型タブラルフローマッチングのためのクロスカラム交換を用いた特徴量統一スペシャライゼーション
- Abstract要約: 変分フローマッチングは、係数分布を介して異なるエンドポイントを処理するが、機能固有の処理と、共有バックボーン内でのカラム間相互作用は暗黙的に残る。
これらの役割を明確に分離するために、クロスカラム交換(FUSE)とフィーチャーワイド統一(Feature-wise Unified)を導入します。
8つのデータセットの実験では、FUSEが分散忠実度と下流ユーティリティメトリクス間で強力で一貫したパフォーマンスを達成することが示されている。
- 参考スコア（独自算出の注目度）: 0.832810068621614
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Generating mixed-type tabular data requires jointly modeling diverse feature distributions and their complex cross-column dependencies. Variational flow matching handles distinct endpoints via factorized distributions, yet leaves feature-specific processing and cross-column interactions implicit within a shared backbone. We introduce Feature-wise Unified Specialization with cross-column Exchange (FUSE) to explicitly separate these roles. FUSE applies separate adaptive mixture modules to numerical and categorical features, allowing each feature to combine shared specialized subnetworks, while joint attention preserves information exchange across all columns. We also characterize the excess population risk from restricted conditioning contexts and bound the continuous Wasserstein generation error by endpoint-prediction risk. Comprehensive experiments on eight tabular datasets demonstrate that FUSE achieves strong and consistent performance across distributional fidelity and downstream utility metrics.
- Abstract（参考訳）: 混合型の表データを生成するには、多様な特徴分布とその複雑なクロスカラム依存関係を共同でモデル化する必要がある。
変分フローマッチングは、係数分布を介して異なるエンドポイントを処理するが、機能固有の処理と、共有バックボーン内でのカラム間相互作用は暗黙的に残る。
クロスカラム交換(FUSE)による機能統合スペシャライゼーションを導入し,これらの役割を明確に分離する。
FUSEは、数値的および分類学的特徴に異なる適応混合モジュールを適用し、各特徴が共有された特別なサブネットを組み合わせられるようにし、一方、共同注意は全ての列間の情報交換を保存する。
また、制約条件付きコンテキストから過剰な集団リスクを特徴づけ、終端予測リスクによって連続的なワッサーシュタイン生成誤差を束縛する。
8つの表のデータセットに関する総合的な実験は、FUSEが分散の忠実度と下流のユーティリティメトリクス間で強力で一貫したパフォーマンスを達成することを実証している。
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) - Federated Imputation under Heterogeneous Feature Spaces [7.7979633437360905]
フェデレートラーニング(FL)は、分散クライアント間の協調トレーニングを可能にする。
我々は,従来の欠落から構造的特徴不利用を分離する連邦計算フレームワークである textbfFedHF-Impute を提案する。
SECOMデータセットとAirQualityデータセットのシミュレートされた部分スキーマの下で、FedHF-ImputeはFLベースラインを26.9%上回る計算精度(RMSE)を8.4%向上させる。
論文 参考訳（メタデータ） (2026-05-15T15:53:45Z) - PivotMerge: Bridging Heterogeneous Multimodal Pre-training via Post-Alignment Model Merging [80.17966517536102]
マルチモーダル大規模言語モデルの事前学習の核心は、効果的なクロスモーダルアライメントの確立にあると論じる。
この知見に触発されて,マルチモーダル事前学習から学んだクロスモーダルアライメント機能を統合することを目的とした,アライメント後のマージタスクを導入する。
クロスモーダルプロジェクタのためのアライメント後マージフレームワークであるPivotMergeを提案する。
論文 参考訳（メタデータ） (2026-04-18T09:38:03Z) - Weight-Informed Self-Explaining Clustering for Mixed-Type Tabular Data [63.62853416081748]
WISEは表現、特徴重み付け、クラスタリング、解釈を統一するフレームワークである。
クラスタリングを駆動する同じプリミティブに根ざした、忠実で人間解釈可能な説明を生成する。
論文 参考訳（メタデータ） (2026-04-07T13:18:31Z) - Cross-Modal Alignment via Variational Copula Modelling [54.25504956780864]
複数のモーダルから様々な情報を集約するマルチモーダル学習手法を開発することが不可欠である。
既存の方法は主に連結やクロネッカー積に依存し、モジュラリティ間の相互作用構造を単純化する。
そこで本研究では,様々なモーダルの連成分布の学習に焦点を当てた,コプラ駆動型マルチモーダル学習フレームワークを提案する。
論文 参考訳（メタデータ） (2025-11-05T05:28:28Z) - Exponential Family Variational Flow Matching for Tabular Data Generation [10.161936647987517]
本研究では,表データ生成のための変分フローマッチング(VFM)手法であるTabbyFlowを開発した。
異種データ型を表すEF-VFM(Exponential Family Variational Flow Matching)を提案する。
また,Bregmanの発散に基づく変動流整合と一般化流整合の関連性を確立する。
論文 参考訳（メタデータ） (2025-06-06T10:07:48Z) - Geodesic Flow Kernels for Semi-Supervised Learning on Mixed-Variable Tabular Dataset [31.23513370504603]
GFTabは、Mixed-Variable Tabularデータセットフレームワークの半教師付き学習である。
GFTabには3つの重要な革新がある: 1) 連続変数と分類変数の異なる性質に合わせた変数固有の汚職法、2) 腐敗した入力間の幾何学的変化を捉える測地学的フローカーネルに基づく類似度尺度、3) 利用可能なラベル付きデータから階層的関係を利用する木に基づく埋め込み。
我々の実験結果によると、GFTabは、多くのデータセット、特にラベル付きデータに制限された設定において、既存のML/DLモデルよりも優れています。
論文 参考訳（メタデータ） (2024-12-17T12:47:53Z) - Correlating Variational Autoencoders Natively For Multi-View Imputation [2.9551363292600086]
同一ソースからのマルチビューデータは、しばしば相関を示す。
これは、各データビューで訓練された別々の変分オートエンコーダ(VAE)の潜時空間間の相関で反映される。
VAEの潜在空間間の非ゼロ相関構造に先行する関節を組み込んだ多視点VAE手法が提案されている。
論文 参考訳（メタデータ） (2024-11-05T13:43:37Z) - TabDiff: a Mixed-type Diffusion Model for Tabular Data Generation [91.50296404732902]
グラフデータの混合型分布を1つのモデルでモデル化する共同拡散フレームワークであるTabDiffを紹介する。
我々の重要な革新は、数値データと分類データのための連立連続時間拡散プロセスの開発である。
TabDiffは、既存の競合ベースラインよりも優れた平均性能を実現し、ペアワイドカラム相関推定における最先端モデルよりも最大で22.5%改善されている。
論文 参考訳（メタデータ） (2024-10-27T22:58:47Z) - Joint Linked Component Analysis for Multiview Data [6.588932144201398]
データビュー毎に関節構造と個々の構造が存在する行列分解モデルを定式化する。
次に、新たなペナルティ項を持つ目的関数を提案し、同時推定とランク選択を実現する。
論文 参考訳（メタデータ） (2024-06-17T17:25:23Z) - Learning Representations without Compositional Assumptions [79.12273403390311]
本稿では,特徴集合をグラフノードとして表現し,それらの関係を学習可能なエッジとして表現することで,特徴集合の依存関係を学習するデータ駆動型アプローチを提案する。
また,複数のビューから情報を動的に集約するために,より小さな潜在グラフを学習する新しい階層グラフオートエンコーダLEGATOを導入する。
論文 参考訳（メタデータ） (2023-05-31T10:36:10Z)
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。