RCC-GAN: 规则化的混合条件 GAN 用于大规模表格数据综合

May, 2022

RCC-GAN: 规则化的混合条件 GAN 用于大规模表格数据综合

RCC-GAN: Regularized Compound Conditional GAN for Large-Scale Tabular Data Synthesis

Mohammad Esmaeilpour, Nourhene Chaalia, Adel Abusitta, Francois-Xavier Devailly, Wissem Maazoun...

TL;DR本文介绍了一种新型生成对抗网络（GAN），用于综合包含连续、离散和二进制等各种特征的大规模表格数据库。我们提出了一种联合处理二进制和离散特征的条件向量定义，并应用于训练生成器网络，使用具有跳过连接的三层深度残差神经网络的核心体系结构。此外，我们还开发了一种新的度量方法来跟踪权重向量上的突发扰动，并评估了我们提出的综合方法在六个基准制表数据库上的性能表现，结果表明我们的提出的 RccGAN 在准确性、稳定性和可靠性方面优于传统和现代的生成模型。

Abstract

This paper introduces a novel generative adversarial network (GAN) for synthesizing large-scale tabular databases which contain various features such as continuous, discrete, and binary. Technically, our GAN belo

generative adversarial network tabular databases conditional vector residual neural network regularization

发现论文，激发创造

CTAB-GAN: 有效的表格数据合成

本文主要介绍了一种名为 CTAB-GAN 的条件表格 GAN 架构，可以有效地模拟多种数据类型，包括连续和分类变量，并且通过对多项机器学习算法进行测试，在五个数据集上的表现令人印象深刻。

Feb, 2021

CasTGAN: 级联生成对抗网络用于逼真的表格数据合成

本文提出了一个级联表格生成对抗网络框架（CasTGAN），可生成更逼真的表格数据，模型能捕捉实际数据的限制和相关性，并通过对辅助学习者进行扰动来提高模型抵抗特定攻击的整体稳健性。

Jul, 2023

使用条件 GAN 建模表格数据

本篇论文设计了 TGAN 来处理离散与连续的表格数据，使用 7 个模拟数据集和 8 个真实数据集进行比较，结果表明 TGAN 在大多数的真实数据集上比贝叶斯方法表现更好，而其他深度学习方法则表现欠佳。

Jul, 2019

使用生成对抗网络合成表格数据

本文介绍了 Tabular GAN（TGAN），这是一种可以生成表格数据（例如医学或教育记录）的生成对抗网络，利用深度神经网络生成高质量和完全合成的表格，同时生成离散和连续变量。在三个数据集上评估我们的模型时，我们发现 TGAN 在捕捉列之间的相关性和扩展大型数据集方面都优于传统的统计生成模型。

Nov, 2018

使用两个生成对抗网络的混合图像 - 表格数据的合成数据生成方法

使用自编码生成对抗网络（GANs）和条件生成对抗网络（CTGAN），提出了一种生成综合医疗记录（包括胸部 X 光图像和结构化表格数据）的方法。通过将 GAN 模型的编码器与原始数据库中的图像进行组合，成功生成了多样的综合 X 光图像和表格数据的合成记录，并通过可视评估、间记录距离分布和分类任务评估了生成的数据库。该方法有潜力在不损害数据二次使用的情况下公开发布合成数据集。

Aug, 2023

正则化循环一致性生成对抗网络在异常检测中的应用

本文提出了一种新型的正则化循环一致性生成对抗网络（RCGAN）算法，利用惩罚分布和鉴别器网络的新定义来更好地识别异常样本，经实验结果表明，在多个数据集上，RCGAN 相比当前技术水平有更强的检测异常例子的能力。

Jan, 2020

使用差分隐私条件生成对抗网络改善在生成不平衡数据中的相关性捕捉

本文提出了 DP-CGANS，一个不同 ially private conditional GAN 框架，旨在生成逼真且保护隐私的表格数据，其通过数据变换、采样、条件和网络训练进行操作，特别考虑到变量依赖性等挑战，并在多个数据集上展示了模型优越性。

Jun, 2022

具条件循环 GAN 的实值（医学）时间序列生成

本文提出使用循环神经网络的生成对抗网络 (GAN) 框架来生成逼真多维时间序列数据，尤其聚焦于应用在医疗数据上。通过对玩具数据集的试验，本文证明了所提出的 RGAN 和 RCGAN 可以成功地生成逼真的时间序列数据，并在手写数字分类和医疗数据的早期预警系统等方面展示了它们在监督训练任务中的可用性。同时，本文还探讨了利用 RCGAN 生成逼真医学时间序列数据可能引起的隐私问题。

Jun, 2017

多目标进化生成式对抗网络用于表格数据合成

这篇论文提出了一种智能的多目标进化条件表格生成对抗网络（SMOE-CTGAN），通过将条件向量应用于训练来建模条件合成数据，并利用多目标优化的概念在披露风险和实用性之间取得平衡，发现在训练的早期阶段可以实现具有竞争性实用性和极低风险的合成数据集。

Apr, 2024

鲁棒性条件生成对抗网络

该研究介绍了一种名为 RoCGAN 的新型条件 GAN 模型，该模型在图像生成的任务中表现优异，并在面临严重噪声的情况下使生成器输出的图像更接近目标空间，实验结果表明，RoCGAN 在各种领域的表现都远优于现有的最先进的 cGAN 架构。

May, 2018