論文の概要: Creation begins with understanding: LLMs as strategy designers for privacy-preserving tabular data synthesis

• arxiv url: http://arxiv.org/abs/2608.29674v1
• Date: Sun, 30 Aug 2026 09:16:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.04235
• Title: Creation begins with understanding: LLMs as strategy designers for privacy-preserving tabular data synthesis
• Title（参考訳）: LLMはプライバシーを保護した表データ合成のための戦略設計者
• Abstract要約: レコードを直接生成するのではなく,LLMを用いて合成手順を設計するタブラル合成戦略デザイナ(TabSSD)を紹介する。 12のデータセットにわたって、TabSSDは統計的忠実度、予測ユーティリティ、経験的プライバシーリスクの間で好適なバランスをとっています。 これは、比較した手法と比較して、局所的な計算とトークン消費を大幅に削減する。
• 参考スコア（独自算出の注目度）: 36.16910114462388
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sharing tabular data in high-stakes domains is constrained by privacy regulations. Synthetic data offer a promising alternative, but deep generative models are costly to train and difficult to audit, while LLM-based methods often serialize records as text, obscuring tabular structure and exposing sensitive data. We introduce Tabular Synthesis Strategy Designer (TabSSD), which uses an LLM to design synthesis procedures rather than directly generate records. TabSSD provides the LLM with tree-derived summaries of variable dependence rather than raw records, which produces Python programs for local execution and evaluation. Across twelve datasets, TabSSD strikes a favourable balance among statistical fidelity, predictive utility, and empirical privacy risk, achieving the best average rank across six metrics among ten methods. Moreover, it substantially reduces local computation and token consumption relative to the compared methods. By enabling human-guided refinement and eliminating user-side model tuning, TabSSD lowers the expertise and infrastructure barriers to transparent tabular data synthesis.
• Abstract（参考訳）: タブデータのハイテイクドメインでの共有は、プライバシー規制によって制限される。 合成データは有望な代替手段を提供するが、深層生成モデルはトレーニングに費用がかかり、監査も困難である。 レコードを直接生成するのではなく,LLMを用いて合成手順を設計するタブラル合成戦略デザイナ(TabSSD)を紹介する。 TabSSDは、ローカル実行と評価のためのPythonプログラムを生成する生レコードではなく、変数依存のツリー由来の要約をLLMに提供する。 12のデータセットで、TabSSDは統計的忠実性、予測ユーティリティ、経験的プライバシーリスクの間で好適なバランスをとっており、10つのメソッドで6つのメトリクスの平均ランクを達成している。 さらに、比較した手法と比較して、局所的な計算とトークン消費を大幅に削減する。 ヒューマンガイドによる改良とユーザ側モデルチューニングの排除により、TabSSDは、専門知識とインフラストラクチャ障壁を透過的な表データ合成に削減する。

関連論文リスト

• Differentially Private Synthetic Data via APIs 4: Tabular Data [14.625539540842672]
  最先端の手法は、しばしば低次辺クエリエラーを最小限に抑え、高次相関による課題を見落としることに重点を置いている。 このギャップに対処するため、DP準拠の画像とテキスト合成のために開発されたPrivate Evolutionフレームワークを拡張した。
  論文  参考訳（メタデータ） (2026-06-06T17:08:41Z)
• Concordia: Self-Improving Synthetic Tables for Federated LLMs [80.03837595689608]
  フェデレートラーニングは、生データを共有することなく、大きな言語モデル(LLM)をトレーニングすることを可能にする。 合成データ生成とフェデレートされた検証ユーティリティを連携させるフレームワークであるConcordiaを提案する。
  論文  参考訳（メタデータ） (2026-05-11T01:17:58Z)
• DP-RFT: Learning to Generate Synthetic Text via Differentially Private Reinforcement Fine-Tuning [51.35628297101575]
  差分的プライベート(DP)合成データ生成は,個人データ上での大規模言語モデル(LLM)の開発において重要な役割を担っている。 LLMを用いた合成データ生成のためのオンライン強化学習アルゴリズムDP-RFTを導入する。 DP-RFTは,ニュース記事や会議録,医療記事の要約など,長文およびドメイン固有の合成データ生成に有用である。
  論文  参考訳（メタデータ） (2026-02-20T22:03:56Z)
• FASTGEN: Fast and Cost-Effective Synthetic Tabular Data Generation with LLMs [3.703188184729035]
  合成データ生成は、現実のデータ収集と使用がコストと不足によって制限されるシナリオにおいて、重要なソリューションである。 個々のレコードを生成するために大きな言語モデルを直接使用する既存のアプローチは、禁止時間とコスト負担を個別に課している。 LLMを利用して各フィールドの分布を再利用可能なサンプリングスクリプトに推論してエンコードする,現実的な表形式データ合成のための高速で費用対効果の高い手法を提案する。
  論文  参考訳（メタデータ） (2025-07-21T17:51:46Z)
• LLM-Symbolic Integration for Robust Temporal Tabular Reasoning [69.27153114778748]
  本研究では,システムおよび制御された評価のための合成データセットであるTempTabQA-Cを紹介する。 この構造化アプローチにより、LLM(Large Language Models)はsqlクエリの生成と実行を可能にし、一般化とバイアス軽減の強化を行う。
  論文  参考訳（メタデータ） (2025-06-06T05:14:04Z)
• LLM-TabLogic: Preserving Inter-Column Logical Relationships in Synthetic Tabular Data via Prompt-Guided Latent Diffusion [49.898152180805454]
  合成データセットはドメイン固有の論理的一貫性を維持する必要がある。 既存の生成モデルは、しばしばこれらのカラム間の関係を見落としている。 本研究では,ドメイン知識を必要とせずに列間関係を効果的に維持する手法を提案する。
  論文  参考訳（メタデータ） (2025-03-04T00:47:52Z)
• HARMONIC: Harnessing LLMs for Tabular Data Synthesis and Privacy Protection [44.225151701532454]
  本稿では,表データ生成と評価のための新しいフレームワークHARMONICを提案する。 本フレームワークは, 既存の手法と同等の性能を向上し, また, 合成データの有効性とプライバシーリスクを評価するための評価枠組みを実証する。
  論文  参考訳（メタデータ） (2024-08-06T03:21:13Z)
• TabuLa: Harnessing Language Models for Tabular Data Synthesis [4.539846270369207]
  Tabulaは、大きな言語モデル(LLM)の構造を利用する表形式のデータシンセサイザーである。 State-of-the-art (SOTA) の LLM とは異なり、Tabula は元々自然言語処理用に設計されたトレーニング済みのウェイトを捨てている。 実験により,Tabulaは現在のSOTA法と比較して優れた合成データユーティリティを実現していることが示された。
  論文  参考訳（メタデータ） (2023-10-19T13:50:56Z)

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。