論文の概要: TabMosaic: Unified In-Context Diffusion for Tabular Generative Tasks

• arxiv url: http://arxiv.org/abs/2610.15699v1
• Date: Sun, 11 Oct 2026 15:35:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.236945
• Title: TabMosaic: Unified In-Context Diffusion for Tabular Generative Tasks
• Title（参考訳）: TabMosaic: タブラリ生成タスクのための統合インコンテキスト拡散
• Abstract要約: 本研究では,未確認で潜在的に不完全なテーブル内で混合型ターゲット細胞を生成するための統合されたコンテキスト内拡散モデルを提案する。 48の現実世界のテーブルで、TabMosaicは20のベースラインアプローチに対して、評価された生成タスクのトップにランク付けしている。
• 参考スコア（独自算出の注目度）: 30.942971522084047
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative modeling for tabular data has advanced to the point where models can synthesize realistic records, recover missing values, and generate samples conditioned on class labels or observed attributes. Despite recent advances, existing approaches either require table-specific training or restrict in-context learning to single-cell prediction. In this work, we formulate these tabular generative tasks as a single problem: modeling the joint conditional distribution of an arbitrary set of target cells given the observed cells of an unseen table. To this end, we turn to diffusion, whose denoising objective is defined jointly over all target cells rather than one cell at a time. Under the pretraining distribution, this objective is minimized by the posterior predictive distribution over the target set. Building on this, we propose TabMosaic, a unified in-context diffusion model for generating mixed-type target cells in unseen, potentially incomplete tables without table-specific training. We further show that its pretraining objective bounds the conditional negative log-likelihood and the divergence from the posterior predictive for arbitrary target sets, extending the Bayesian account of in-context learning from a single-value prediction to joint multi-cell generation. Across 48 real-world tables, TabMosaic ranks first on all evaluated generative tasks against 20 baseline approaches
• Abstract（参考訳）: 表形式のデータの生成モデリングは、モデルがリアルなレコードを合成し、欠落した値を復元し、クラスラベルや観察された属性に条件付けされたサンプルを生成するまで進歩してきた。 近年の進歩にもかかわらず、既存のアプローチはテーブル固有のトレーニングを必要とするか、コンテキスト内学習を単一セル予測に制限する。 本研究では,これらの表表生成タスクを単一問題として定式化し,観測されたテーブルのセルに与えられた任意のターゲットセルの結合条件分布をモデル化する。 この目的を達成するために,1回に1つの細胞ではなく,すべての標的細胞に対して,認知的目的を共同で定義する拡散に目を向ける。 事前学習分布の下では、この目的は目標集合上の後続予測分布によって最小化される。 これに基づいてTabMosaicを提案する。TabMosaicは、テーブル固有の訓練を受けずに、目に見えない、潜在的に不完全なテーブルで混合型ターゲット細胞を生成する、統合されたコンテキスト内拡散モデルである。 さらに,事前学習対象は条件付き負の対数類似度と任意の目標集合に対する後続予測値から分岐していることを示し,ベイズ語による文脈内学習を単一値の予測から共同多セル生成に拡張した。 実世界の48のテーブルで、TabMosaicは20のベースラインアプローチに対して評価されたすべての生成タスクでトップにランクインする

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)
• Score Distributions, Not Cells: Evaluating Single-Cell Perturbations Under Class Overlap [0.09558392439655013]
  2つの摂動によって異なる細胞の集団が生成され、同時に個々の細胞がどちらの細胞に属しているかが重なり合う。 セル毎の精度はモデルの品質よりもこの重複を測定する。 この修正は、細胞によってではなく、全人口の摂動を評価することである。
  論文  参考訳（メタデータ） (2026-07-06T01:47:02Z)
• Prototype Guided Post-pretraining for Single-Cell Representation Learning [0.0]
  遺伝子発現データからの単一細胞表現学習は、細胞機能の基礎となる複雑な制御ロジックを明らかにする手段を提供する。 遺伝子をトークンとして扱い、細胞を文として扱う、いくつかの単細胞事前訓練モデルが最近提案されている。 本稿では,単細胞基礎モデルの事前学習段階と微調整段階の間で動作するポストプレトレーニング手法であるCellRefineを紹介する。
  論文  参考訳（メタデータ） (2026-05-08T16:08:10Z)
• 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)
• You Only Train Once: Differentiable Subset Selection for Omics Data [16.72884554628602]
  YOTOは、独立した遺伝子サブセットを共同で識別し、単一の異なるアーキテクチャ内で予測を行うエンドツーエンドフレームワークである。 2つの代表的単一セルRNA-seqデータセット上でYOTOを評価し,最先端のベースラインを一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2025-12-19T15:17:34Z)
• Departures: Distributional Transport for Single-Cell Perturbation Prediction with Neural Schrödinger Bridges [51.83259180910313]
  遺伝子機能解析における大きなボトルネックは、単細胞データの未成熟の性質である。 我々は、SB(Schrdinger Bridge)を近似して、単セル摂動データに対処する。 本モデルは,異種単一セル応答を効果的に捉え,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2025-11-17T08:27:13Z)
• EquiTabPFN: A Target-Permutation Equivariant Prior Fitted Networks [55.214444066134114]
  我々は、同変エンコーダ、デコーダ、およびバイアテンション機構を介し、完全にターゲット同変のアーキテクチャに適応する置換不変性を設計する。 標準分類ベンチマークの実証的評価は、事前学習中に見られたクラス数より多いデータセットでは、我々のモデルは計算オーバーヘッドを低く抑えながら既存の手法と一致または超えていることを示している。
  論文  参考訳（メタデータ） (2025-02-10T17:11:20Z)
• Causal Imputation for Counterfactual SCMs: Bridging Graphs and Latent Factor Models [9.722250595763386]
  我々は因果的抑止の課題を考察し、様々な可能な状況においてある行動の集合の結果を予測することを目的としている。 本稿では,新しいSCMモデルクラスを導入し,その結果が反事実として表現される。 線形性仮定の下で、この設定は結果の行列上の潜在因子モデルを誘導することを示す。
  論文  参考訳（メタデータ） (2024-02-22T18:37:33Z)
• RanPAC: Random Projections and Pre-trained Models for Continual Learning [59.07316955610658]
  継続学習(CL)は、古いタスクを忘れずに、非定常データストリームで異なるタスク(分類など)を学習することを目的としている。 本稿では,事前学習モデルを用いたCLの簡潔かつ効果的なアプローチを提案する。
  論文  参考訳（メタデータ） (2023-07-05T12:49:02Z)
• TCN: Table Convolutional Network for Web Table Interpretation [52.32515851633981]
  テーブル内情報とテーブル間情報の両方を考慮した新しいテーブル表現学習手法を提案する。 カラムタイプ予測ではf1の4.8%、カラム対関係予測ではf1の4.1%で競合ベースラインを上回ることができる。
  論文  参考訳（メタデータ） (2021-02-17T02:18:10Z)

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。