論文の概要: PEG-Tab: Sampling-Time Record Repair and Release Control for Tabular Synthesis

• arxiv url: http://arxiv.org/abs/2609.39630v1
• Date: Wed, 30 Sep 2026 12:38:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.780664
• Title: PEG-Tab: Sampling-Time Record Repair and Release Control for Tabular Synthesis
• Title（参考訳）: PEG-Tab: タブラル合成のためのサンプリング時間記録の修復とリリース制御
• Abstract要約: PEG-Tabは、凍結したタブ状ジェネレータのためのポストトレーニングの修理およびリリース制御フレームワークである。 これは平均Copyを0.078$から0.027$に下げ、Exact Copyを0に下げる。 ポストホックフィルターの3ドルとは対照的に、16の転送設定のうち12で高機能を維持している。
• 参考スコア（独自算出の注目度）: 3.532010825506958
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Pretrained tabular generators can reproduce training records even when aggregate utility remains high. When retraining is unavailable or too costly, sampling and release are the remaining intervention points. We present PEG-Tab (Post-Training Energy Guidance for Tabular Synthesis), a post-training repair and release-control framework for frozen tabular generators. For each generated row, a generator-native operator creates two alternatives. A shared calibrated score compares the three candidates, favours lower-risk records, and applies a final release check. We instantiate this interface for GReaT, CTGAN, TVAE, and TabDDPM without updating their parameters. Across five datasets and four generator families, PEG-Tab reduces mean Near Copy from $0.078$ to $0.027$ and lowers aggregate Exact Copy to zero. Relative to a $3\times$ post hoc filter, it retains higher utility in 12 of 16 transfer settings and Pareto-dominates the filter in eight. Gains are concentrated in copy and proximity-related risks.
• Abstract（参考訳）: 事前訓練された表型ジェネレータは、集約ユーティリティが高くてもトレーニングレコードを再生することができる。 再トレーニングが利用できない、あるいはコストがかからない場合には、サンプリングとリリースが残りの介入ポイントとなる。 PEG-Tab (Post-Training Energy Guidance for Tabular Synthesis, PEG-Tab) は, 冷凍タブ状ジェネレータのためのポストトレーニング修理およびリリース制御フレームワークである。 生成された行ごとに、ジェネレータネイティブオペレータは2つの代替手段を生成する。 共有校正スコアは3つの候補を比較し、リスクの低いレコードを選択し、最終リリースチェックを適用する。 パラメータを更新することなく、GReaT、CTGAN、TVAE、TabDDPMのインターフェースをインスタンス化する。 5つのデータセットと4つのジェネレータファミリーで、PEG-Tabは平均Near Copyを0.078$から0.027$に下げ、Exact Copyを0に下げる。 ポストホックフィルターの$3\timesとは対照的に、16の転送設定のうち12で高効率を保ち、Paretoはフィルタを8で支配している。 利得はコピーと近接関連リスクに集中している。

関連論文リスト

• Codebook Agent: Amortized Topology Design for LLM Multi-Agent Systems [67.04448659688579]
  クエリ非依存の16エントリのコードブックを開発し、上位のデコード候補を1回のバッチフォワードパスでランク付けする。 反復検索がなく、テスト時にメッセージパッシングがないため、Codebook Agentは6つのベンチマークでもっとも正確な方法である。
  論文  参考訳（メタデータ） (2026-09-02T08:10:22Z)
• Tokenizer Generator Coupling in Medical Image Generation [0.0]
  潜在医療画像生成装置は通常、トークン化剤を固定前処理として扱う。 我々は64x64のChestMNIST制御実験において,この分離が有効かどうかを検証した。 ランキングは トークンー、ジェネレータ、 サンプル装置に 左右される
  論文  参考訳（メタデータ） (2026-08-07T18:57:09Z)
• PSG: Pair-Space Generation for Efficient Generative Reranking [11.29998075744073]
  Pair-Space Generation (PSG) は、個々のアイテムから順序付けられたアイテムペアへ生成原子を上昇させる改革である。 PSGは要求毎に$n(n-1)$のペア語彙で動作し、$L/2$トークンしか生成しない。 PSGはKuaishouにもデプロイされており、ユーザー当たりの滞在時間は0.178%アップしている。
  論文  参考訳（メタデータ） (2026-07-29T03:14:09Z)
• A Filtered Mixture-of-Generators for Fully Synthetic Survival Training [9.592144785458443]
  FoGS (Filtered Mixture-of-Generators for Survival Analysis)は、合成データ構築を生成ではなくサンプル選択として再編成する。 トレーニングオンシンセティックでテストオンリアルな16の公開データセット(C-indexとIBS、$0$100$scale)では、FoGSの収率はC-indexで$2.17$、IBSで$0.67$である。
  論文  参考訳（メタデータ） (2026-06-30T20:02:19Z)
• A Modelling and Evaluation Framework for EuroCrops-Driven Sentinel-2 Crop Segmentation [78.66324246922831]
  本研究では,Sentinel-2イメージとEuroCropsパーセルレベルのアノテーションからセマンティックセグメンテーション対応農業データセットを生成するパイプラインを提案する。 このデータセットには、ヨーロッパ5カ国から67,337のパッチが含まれており、10種類の作物と背景の分類を減らしている。 The four-level U-Net with Group Normalization were training using 10 Sentinel-2 spectrum bands and a Composite loss with class-weighted cross-entropy and Dice loss。
  論文  参考訳（メタデータ） (2026-05-30T11:20:29Z)
• Self-Improving Tabular Language Models via Iterative Group Alignment [76.43372236405664]
  自動フィードバックによるデータ生成のための,最初の自己改善フレームワークであるTabGRAAを紹介する。 新たに生成されたサンプルを高品質なグループと低品質なグループに分割し、グループ相対的な有利な目標を優先順位付けする。 実験では、TabGRAAは、忠実さ、ユーティリティ、プライバシにおいて、既存のメソッドよりも優れています。
  論文  参考訳（メタデータ） (2026-04-21T01:29:52Z)
• eBandit: Kernel-Driven Reinforcement Learning for Adaptive Video Streaming [0.0]
  eBanditは、ネットワーク監視とABRアルゴリズムの選択の両方をLinuxカーネルに再配置するフレームワークである。 軽量なepsilon-greedy Multi-Armed Bandit (MAB) はソックスプログラム内で動作し、ライブTCPメトリクスから得られる報酬に対して3つのABRを評価する。
  論文  参考訳（メタデータ） (2026-04-09T22:02:04Z)
• FedSVD: Adaptive Orthogonalization for Private Federated Learning with LoRA [68.44043212834204]
  Low-Rank Adaptation (LoRA) は、学習における言語モデルの効率的な微調整に広く用いられている。 Low-Rank Adaptation (LoRA) は、学習における言語モデルの効率的な微調整に広く用いられている。
  論文  参考訳（メタデータ） (2025-05-19T07:32:56Z)
• Linear-time Minimum Bayes Risk Decoding with Reference Aggregation [52.1701152610258]
  最小ベイズリスク(MBR、Minimum Bayes Risk)は、機械翻訳の品質向上を図ったテキスト生成技術である。 これは2次複雑性を持つ実用計量のペアワイズ計算を必要とする。 本稿では,集約された参照表現に対して計算したスコアを用いて,ペアワイズメトリックスコアを近似する。
  論文  参考訳（メタデータ） (2024-02-06T18:59:30Z)

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。