Oct, 2023

AutoDiff: 结合自编码器和扩散模型进行表格数据合成

PDF
TL;DR借助扩散模型，我们使用自编码器架构生成合成表格数据，在比较现有的合成器的基础上，我们的模型生成的合成表格与真实数据具有良好的统计保真度，并在机器学习任务中表现出色，尤其是在捕捉特征之间的相关性方面。
发现论文，激发创造
  • TimeAutoDiff：结合自动编码器和扩散模型的时序表格数据合成

    通过结合变分自动编码器（VAE）和去噪扩散概率模型（DDPM）的思想，我们提出了一种名为 TimeAutoDiff 的模型，用于生成时间序列表格数据。该模型能够处理各种类型的时间序列表格数据，具有良好的保真度和实用性，并且在生成速度上有显著改进；此外，它还实现了对具有异构特征的多序列时间序列表格数据的有条件生成。

    Jun, 2024

  • 在潜在空间中使用基于评分的扩散方法合成混合类型的表格数据

    TABSYN 是一种利用扩散模型在变分自动编码器（VAE）构建的潜在空间中合成表格数据的方法，具有处理不同数据类型、优化潜在嵌入分布以生成高质量合成数据、以及快速合成速度的优势，并且在六个数据集上的实验证明，相比竞争方法，TABSYN 在列分布和列相关性估计方面减少了 86% 和 67% 的错误率。

    Oct, 2023

  • 表格数据填补和合成数据生成的扩散模型

    我们提出了一种扩展的扩散模型，用于表格数据的数据填充和数据生成任务，通过引入条件注意机制、编码器 - 解码器 Transformer 和动态遮蔽来提高模型的性能。

    Jul, 2024

  • 用扩散模型合成平衡的混合类型表格数据

    介绍了一种公平的扩散模型，用于生成平衡的敏感属性数据，并通过实证证据表明该方法在训练数据中有效地减轻了类别不平衡问题，同时保持生成样本的质量，并且在性能和公平性方面优于现有方法用于综合表格数据。

    Apr, 2024

  • 衡量和减轻表格生成模型的隐私风险

    合成数据和生成模型在隐私保护的数据共享解决方案中迅速崛起，并通过在表格综合机上实施全面的实证分析，突出了五种最先进表格综合机的实用 - 隐私权衡，提出了一个新的差分隐私表格潜在扩散模型，称为 DP-TLDM，能够在保持可比较的隐私风险水平的同时，显著提高合成数据的实用性。

    Mar, 2024

  • CoDi: 混合型表格合成的共进对比扩散模型

    本研究提出了一种名为 CoDi 的方法，通过差分模型将连续变量和离散变量分开处理并相互条件，并引入对比学习方法进行负采样以进一步绑定扩散模型，以提高人工合成表格数据的准确性。

    Apr, 2023

  • SiloFuse：使用潜在表格扩散模型进行跨储存生成合成数据

    SiloFuse 是一种用于跨多个私有数据存储中进行高质量合成的新型生成框架，通过分布式潜在表扩散架构确保个体隐私，以及通过实验证明其相对于集中式扩散合成器的优越性和对特征重排和客户端数量变化的鲁棒性。

    Apr, 2024

  • 在差分隐私下生成表格数据集

    优化生成模型的质量和隐私之间的平衡，通过引入关注机制学习可逆的表格表示和差分隐私扩散模型来合成高质量的表格数据。

    Aug, 2023

  • 神经网络扩散

    扩散模型以及自动生成的神经网络参数，通过混合使用自动编码器和标准潜在扩散模型，从训练网络参数的随机噪声中合成潜在参数表示，并生成具有可用性的新的网络参数子集，从而稳定地提升性能。

    Feb, 2024

  • FinDiff: 金融表格数据生成的扩散模型

    通过使用生成模型特别是扩散模型，本研究引入了‘FinDiff'，这是一种用于生成逼真金融表格数据的扩散模型，可用于各种监管下游任务，如经济情景建模、压力测试和欺诈检测，同时保证高保真度、隐私性和实用性。

    Sep, 2023