論文の概要: TabGift: A Context-Efficient Foundation Model for Tabular Data Generation

• arxiv url: http://arxiv.org/abs/2610.16990v1
• Date: Mon, 12 Oct 2026 15:43:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.40117
• Title: TabGift: A Context-Efficient Foundation Model for Tabular Data Generation
• Title（参考訳）: TabGift: 語彙データ生成のためのコンテキスト効率の良い基礎モデル
• Abstract要約: タブラルデータ生成は、基礎となるデータ分布を忠実に捉えながら、限られた観測から現実的なサンプルを合成することを目的としている。 提案するTabGiftは,少数のコンテキストサンプルから効率的な分散モデルと効率的な生成を可能にする,文脈効率のよい基礎モデルである。 7つの分類と11の回帰データセットの実験は、TabGiftが合成データ品質において代表的ベースラインを一貫して上回っていることを示している。
• 参考スコア（独自算出の注目度）: 42.96947086546297
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Tabular data generation aims to synthesize realistic samples from limited observations while faithfully capturing the underlying data distribution. Tabular foundation models (TFMs), pretrained on diverse tabular tasks and adapted through in-context learning, have demonstrated strong predictive capabilities, suggesting the potential of extending this paradigm to tabular data generation. However, the strong predictive performance of TFMs often relies on sufficiently large context sets, whereas tabular generation is typically needed precisely when target data are scarce. Extending the foundation-model paradigm to generation therefore requires reliable distribution inference from only a limited context. To this end, we propose TabGift, a context-efficient tabular foundation model enabling both efficient distribution modeling and effective generation from only a few context samples. TabGift maps heterogeneous tables into a shared latent space with a pretrained tabular encoder, where an in-context diffusion model learns to denoise latent samples conditioned on a small set of clean examples. This design transfers generative priors across datasets and enables distribution inference from limited context, while a lightweight dataset-specific MLP decoder maps generated representations back to the original data space. Experiments on 7 classification and 11 regression datasets show that TabGift consistently outperforms representative baselines in synthetic data quality, with particularly strong gains under limited-context settings, while achieving substantially faster adaptation and generation.
• Abstract（参考訳）: タブラルデータ生成は、基礎となるデータ分布を忠実に捉えながら、限られた観測から現実的なサンプルを合成することを目的としている。 表形式的タスクを事前訓練し、文脈内学習を通じて適応した語彙基礎モデル(TFM)は、このパラダイムを表型データ生成に拡張する可能性を示唆する強い予測能力を示している。 しかしながら、TFMの強い予測性能は、十分に大きなコンテキストセットに依存していることが多いが、通常、ターゲットデータが不足している場合に、表型生成は正確に必要とされる。 したがって、ファンデーションモデルパラダイムを生成に拡張するには、限られたコンテキストのみから信頼できる分散推論が必要である。 この目的のために,TabGiftを提案する。TabGiftは,効率的な分布モデリングと,少数のコンテキストサンプルから効率的な生成を可能にする,コンテキスト効率の良い表層基盤モデルである。 TabGiftは、不均一なテーブルを事前訓練された表付きエンコーダで共有潜在空間にマッピングする。 この設計では、生成前のデータをデータセット間で転送し、限られたコンテキストからの分散推論を可能にし、軽量なデータセット固有のMPPデコーダは生成された表現を元のデータ空間にマッピングする。 7つの分類と11の回帰データセットの実験から、TabGiftは合成データの品質において代表的ベースラインを一貫して上回り、特に限定されたコンテキスト設定下では強力な向上を達成しつつ、適応と生成の大幅な高速化を実現している。

関連論文リスト

• Tabular Foundation Model for Generative Modelling [34.3599321018728]
  生成モデリングは、教師付き予測対象のみを最適化するのではなく、与えられたデータモダリティに対して堅牢で全体論的表現学習を必要とする。 既存の表形式のファンデーションジェネレータは、合成データ品質において、強力なデータセット固有のジェネレータと一貫して一致していない。 事前訓練されたtextbfTabular textbffoundational textbfRepresentation for textbfGEneration 上に構築した TabFORGE を紹介する。
  論文  参考訳（メタデータ） (2026-05-10T08:52:28Z)
• ReTabSyn: Realistic Tabular Data Synthesis via Reinforcement Learning [13.307228241887346]
  深層生成モデルは、合成トレーニングデータを生成することによって、データの不足とプライバシに役立ちます。 データ効率を高めるためには、モデルが条件付き分布の学習を優先すべきである。 このアプローチを使って言語モデルベースのジェネレータを実証的に微調整し、小さなサンプルサイズ、クラス不均衡、分散シフトのベンチマークで、ReTabSynは一貫して最先端のベースラインを上回っています。
  論文  参考訳（メタデータ） (2026-03-11T14:31:07Z)
• Estimating Time Series Foundation Model Transferability via In-Context Learning [74.65355820906355]
  時系列基礎モデル(TSFM)は、大規模な事前訓練を通じて強力なゼロショット予測を提供する。 微調整は、公開データに制限のあるドメインのパフォーマンス向上に依然として不可欠である。 モデル選択をコンテキスト内学習問題として再キャストする転送可能性推定フレームワークであるTimeTicを紹介する。
  論文  参考訳（メタデータ） (2025-09-28T07:07:13Z)
• Generating Realistic Tabular Data with Large Language Models [49.03536886067729]
  大規模言語モデル(LLM)は多様なタスクに使われてきたが、特徴と対象変数の正確な相関は捉えていない。 そこで本研究では,LLMに基づく3つの重要な改良を加えて,実データの特徴クラス相関を正しく把握する手法を提案する。 実験の結果,本手法は下流タスクにおいて,20個のデータセット上で10個のSOTAベースラインを著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2024-10-29T04:14:32Z)
• LaTable: Towards Large Tabular Models [63.995130144110156]
  タブラル生成基盤モデルは、異なるデータセットの不均一な特徴空間のために構築が困難である。 LaTableは、これらの課題に対処し、異なるデータセットでトレーニング可能な、新しい拡散モデルである。 LaTableは、分散生成のベースラインよりも優れており、微調整されたLaTableは、より少ないサンプルで分散データセットをより良く生成できる。
  論文  参考訳（メタデータ） (2024-06-25T16:03:50Z)
• FedTabDiff: Federated Learning of Diffusion Probabilistic Models for Synthetic Mixed-Type Tabular Data Generation [5.824064631226058]
  textitFederated Tabular Diffusion (FedTabDiff) を導入し、元のデータセットに一元的にアクセスすることなく、高忠実な混合型表型データを生成する。 FedTabDiffは、データプライバシとローカリティを尊重しながら、複数のエンティティが共同で生成モデルをトレーニングできるようにする分散学習方式を実現する。 実世界の金融および医療データセットに関する実験的評価は、高い忠実性、ユーティリティ、プライバシ、カバレッジを維持する合成データを生成するフレームワークの能力を実証している。
  論文  参考訳（メタデータ） (2024-01-11T21:17:50Z)
• Rethinking Pre-Training in Tabular Data: A Neighborhood Embedding Perspective [71.45945607871715]
  メタ表現(TabPTM)を用いたタブラルデータ事前学習を提案する。 中心となる考え方は、データインスタンスを共有機能空間に埋め込むことで、各インスタンスは、近隣の固定数とそのラベルまでの距離で表現される。 101データセットの大規模な実験は、微調整の有無にかかわらず、分類タスクと回帰タスクの両方においてTabPTMの有効性を確認した。
  論文  参考訳（メタデータ） (2023-10-31T18:03:54Z)
• Generative Table Pre-training Empowers Models for Tabular Prediction [71.76829961276032]
  本稿では,テーブル事前学習を利用した最初の試みであるTapTapを提案する。 TapTapは、プライバシ保護、リソースの低さ、価値計算の欠如、不均衡な分類など、さまざまなアプリケーションをサポートするための高品質な合成テーブルを生成することができる。 LightGBM、Multilayer Perceptron (MLP)、Transformerなどのバックボーンモデルと簡単に組み合わせることができる。
  論文  参考訳（メタデータ） (2023-05-16T06:37:38Z)
• Language Models are Realistic Tabular Data Generators [15.851912974874116]
  本稿では,GReaT (Generation of Realistic Tabular data) を提案する。 提案手法の有効性を,複数角度から得られたデータサンプルの有効性と品質を定量化する一連の実験で実証した。
  論文  参考訳（メタデータ） (2022-10-12T15:03:28Z)

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。