論文の概要: MIND: Marginal-Invariant Neural Dependency Diffusion for Mixed-Type Tabular Generation

• arxiv url: http://arxiv.org/abs/2609.39628v1
• Date: Wed, 30 Sep 2026 12:36:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.764293
• Title: MIND: Marginal-Invariant Neural Dependency Diffusion for Mixed-Type Tabular Generation
• Title（参考訳）: MIND:混合型タブラリ生成のためのマルジナル不変ニューラル依存性拡散
• Abstract要約: MINDは、混合型表データに対する限界不変なニューラル依存モデルである。 異なる変数型をカラムワイドの縁の輸送を通じて、統一された潜在依存空間にマッピングする。 MINDは既存の統一アプローチよりも縁の忠実さと依存関係の保存を一貫して改善する。
• 参考スコア（独自算出の注目度）: 3.969626207862676
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper proposes MIND, a marginal-invariant neural dependency diffusion model for mixed-type tabular data. MIND does not directly learn the joint distribution in the original heterogeneous feature space. Instead, it first maps different variable types into a unified latent dependency space via column-wise marginal transport. A conditional diffusion model then learns cross-column relationships. Copula-tangent denoising separates known marginal components from learnable dependency residuals. Rank projection during the sampling phase further mitigates marginal shift in reverse diffusion. Experiments across nine diverse tabular benchmarks show that MIND consistently improves marginal fidelity and dependency preservation over existing unified approaches. By explicitly isolating marginal modelling from dependency learning, MIND achieves a strong and stable balance among marginal fidelity, joint dependency preservation, and downstream prediction utility. This work supports separating marginal and dependency modelling as a principled and highly effective paradigm for complex mixed-type tabular generation.
• Abstract（参考訳）: 本稿では,混合型表型データに対する境界不変ニューラルネットワーク依存性拡散モデル MIND を提案する。 MINDは、元の異種特徴空間における結合分布を直接学ばない。 代わりに、まず異なる変数型をカラムワイドの縁の輸送を通して、統一された潜在依存空間にマッピングする。 条件拡散モデルは、カラム間の関係を学習する。 Copula-tangent denoisingは既知の限界成分を学習可能な依存残基から分離する。 サンプリングフェーズ中のランクプロジェクションは、逆拡散の限界シフトをさらに緩和する。 9つの異なる表型ベンチマークによる実験により、MINDは既存の統一アプローチよりも縁の忠実さと依存性の保存を一貫して改善することが示された。 依存学習から境界モデリングを明示的に分離することにより、MINDは限界忠実度、共同依存保存、下流予測ユーティリティの強い安定バランスを達成する。 この研究は、複雑な混合型表生成のための原則的かつ高効率なパラダイムとして、境界モデルと依存性モデリングの分離を支援する。

関連論文リスト

• E-MoE: Enhanced Mixture-of-Experts for Non-Factorized Diffusion Language Models [83.89854459075445]
  仮面拡散モデルは、段階ごとにいくつかのトークンを徐々に解き放つことによってシーケンスを生成する。 E-MoEは、逆過程を離散共有潜在因子上の分解分布の混合として構築する。 合成マルチモーダルベンチマーク、二項化MNIST、LM1Bの他、E-MoEは因子化ベースラインよりも数ステップ生成を改善する。
  論文  参考訳（メタデータ） (2026-09-29T13:18:50Z)
• 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)
• Diverse Sampling in Diffusion Models with Marginal Preserving Particle Guidance [13.27396716172129]
  EDDY(Exact-marginal Diversification via Divergence-free dYnamics)は拡散・流れマッチングモデルのための誘導機構である。 合成分布実験とテキスト・ツー・イメージ生成実験により、EDDYは共通のベースラインに比べて分布の忠実さを保ちながら多様性を向上することが示された。
  論文  参考訳（メタデータ） (2026-05-07T16:49:12Z)
• Interpolating Discrete Diffusion Models with Controllable Resampling [49.771004594828405]
  仮面拡散モデルは初期解凍による不可逆誤差に悩まされる。 自己補正が可能であるにもかかわらず、一様拡散モデルは、しばしば低品質のサンプルを生成する。 本稿では,中間潜伏状態への依存を減らすことで拡散を改善する補間離散拡散モデルを提案する。
  論文  参考訳（メタデータ） (2026-04-19T07:55:57Z)
• Dependence Fidelity and Downstream Inference Stability in Generative Models [0.0]
  共分散レベル依存フィデリティは、生成モデルを評価するのに有用な基準である。 依存性のばらつきは、下流の推論において定量的不安定を引き起こす。 これらの結果から, 依存性の忠実度が生成モデル評価に有用であることが示唆された。
  論文  参考訳（メタデータ） (2026-03-17T18:24:31Z)
• Controllable Generative Sandbox for Causal Inference [9.416664327739516]
  CausalMixは因果推論のための変分生成フレームワークである。 安定した微粒な因果制御を提供しながら、混合型テーブル上で最先端の分散メトリクスを実現する。 転移性キャスティング抵抗性前立腺癌治療における安全性の比較検討において実用的有用性を示した。
  論文  参考訳（メタデータ） (2026-03-03T23:37:05Z)
• A Random Matrix Theory Perspective on the Consistency of Diffusion Models [31.63433424187031]
  データセットの異なるサブセットでトレーニングされた拡散モデルは、しばしば同じノイズシードを与えられたときに、著しく類似した出力を生成する。 我々は,学習したデノイザとサンプリングマップの期待値と分散値の有限形状を定量化するランダム行列理論(RMT)フレームワークを開発した。 我々は,UNet および DiT アーキテクチャの非記憶系における予測を検証した。
  論文  参考訳（メタデータ） (2026-02-02T23:30:28Z)
• Collaborative Heterogeneous Causal Inference Beyond Meta-analysis [68.4474531911361]
  異種データを用いた因果推論のための協調的逆確率スコア推定器を提案する。 異質性の増加に伴うメタアナリシスに基づく手法に対して,本手法は有意な改善を示した。
  論文  参考訳（メタデータ） (2024-04-24T09:04:36Z)
• Theoretical Insights for Diffusion Guidance: A Case Study for Gaussian Mixture Models [59.331993845831946]
  拡散モデルは、所望の特性に向けてサンプル生成を操るために、スコア関数にタスク固有の情報を注入することの恩恵を受ける。 本稿では,ガウス混合モデルの文脈における拡散モデルに対する誘導の影響を理解するための最初の理論的研究を提供する。
  論文  参考訳（メタデータ） (2024-03-03T23:15:48Z)
• Disentanglement of Correlated Factors via Hausdorff Factorized Support [53.23740352226391]
  本稿では,因子分布ではなく,因子化支援を助長する緩やかな解離基準,HFS(Hausdorff Factorized Support)基準を提案する。 本研究では,HFSを用いることにより,様々な相関設定やベンチマークにおいて,接地構造因子の絡み合いと回復が一貫して促進されることを示す。
  論文  参考訳（メタデータ） (2022-10-13T20:46:42Z)

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。