返回
SynC2S: An Efficient Method for Synthesizing Tabular Data With a Learnable Pre-Processing
DOI:10.1109/ACCESS.2024.3472706.png)
摘要
En 中文
访问大型公共数据集以提取有价值的见解或增强其服务的需求不断增长。然而,这也涉及风险,例如隐私泄露和未经授权的数据暴露。数据合成已成为同时解决隐私保护和数据可用性的流行技术。最近,已经开发了许多基于深度学习的方法,而对其有效性的清晰理解仍然不足,并且仍然需要更有效的框架。在这项研究中,我们提出了一种基于深度生成模型的高效且理论上有原则的方法,以有效地生成高质量的合成表格数据。首先,我们引入一种称为C2Smap-a可学习预处理方法的新技术,该方法可自动将连续分布转换为更简单且易于生成的形式。然后,我们开发了一个具有层次结构的条件生成模型及其相应的学习框架,称为HCIWAE,以成功捕获不平衡的分类分布。结合这两个组件,我们用C2Smap (SynC2S) 创造了我们的方法合成数据生成。通过全面的实验分析,我们证明了与其他最近的竞争对手相比,SynC2S在生成合成数据方面的优越性和效率。此外,作为副产品,我们声称SynC2S可能是解决过采样任务的有利选择,通过为少数类生成合成数据来构建高性能预测模型。
Keyword:
Training
Data models
Synthetic data
Predictive models
Generative adversarial networks
Deep learning
Computational modeling
Transforms
Solid modeling
Synthetic data generation
complex-to-simple mapping
hierarchically conditional importance weighted autoencoder
期刊
IF:
3.6
论文数:
9.8W
被引数:
36.3W
机构
暂无机构信息
引用论文
Arsenic removal from aqueous solutions by adsorption using novel MIL-53(Fe) as a highly efficient adsorbent使用新型MIL-53(Fe) 作为高效吸附剂通过吸附从水溶液中去除砷
RSC Advances
IF0

