.png){kind=icon}
返回
Hypergraph-Driven Tabular Data Synthesis with Multi-objective Optimization
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-04630-7_26.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着数据隐私需求的日益增长，模拟表格数据的生成模型引起了广泛关注。然而，表格数据集中多样的数据类型和列分布给开发高效且表达能力强的生成模型带来了巨大挑战。现有方法主要关注学习联合分布和统计信息以生成分布一致的合成表格，但往往无法捕捉全局特征交互并适应下游任务的需求。此外，当前方法在训练过程中对输入数据的顺序敏感，导致性能欠佳。本文提出了一种基于超图建模和对抗训练的新型生成模型HyperTab。HyperTab利用超图捕捉表格数据固有的排列不变性，通过超图编码器显式建模特征间的交互关系，确保合成数据准确反映全局依赖。此外，HyperTab采用多目标优化策略，同时最小化对抗损失以保证数据真实性、逻辑一致性损失以维持特征关系的合理性，以及任务特定损失（包括回归任务的均方误差和分类任务的交叉熵）。在多个基准数据集上的广泛评估表明，HyperTab在生成质量方面显著优于现有方法。
Keyword:
Generative models
Hypergraph
Synthetic tabular data
期刊
D
IF:
0
论文数:
28
被引数:
0
机构
引用论文
MargCTGAN: A “Marginally” Better CTGAN for the Low Sample RegimeMargCTGAN：一种在低样本场景下“略微”优于CTGAN的模型
PREAI
分享收藏
XGBoost.png)
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining
OAAI
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data MiningIF0
OAAI分享收藏MRHGNN: Enhanced Multimodal Relational Hypergraph Neural Network for Synergistic Drug Combination ForecastingMRHGNN：用于协同药物组合预测的增强型多模态关系超图神经网络
PREAI
分享收藏
查看更多内容