Apr, 2024

SiloFuse：使用潜在表格扩散模型进行跨储存生成合成数据

PDF
TL;DRSiloFuse 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。
synthetic tabular datasilofusedistributed latent tabular diffusionprivacy risksstacked training
发现论文，激发创造
  • AutoDiff: 结合自编码器和扩散模型进行表格数据合成

    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。

    Oct, 2023

  • 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

  • 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

  • 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

  • CollaFuse: 协同扩散模型

    通过分布式协作扩散模型，我们提出了一种新的方法，在感知图像的同时减轻了客户端的计算负担，从而实现协作训练和数据隐私的增强。

    Jun, 2024

  • 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

  • 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

  • CTSyn: 跨表数据生成的基础模型

    介绍了一种针对表格数据生成的基于扩散的跨表合成器（CTSyn），通过整合异构表格数据、条件潜在扩散模型和类型特定解码器，从采样的潜在向量中重构不同数据类型的值，提高了合成功能和多样性，同时在下游机器学习任务中表现出对真实数据无法达到的性能提升，从而为合成数据生成建立了新的范式。

    Jun, 2024

  • 通过扩散特征弥合语义分割的领域差距

    利用预训练扩散模型的内在知识，通过采样和融合技术，提出了一种新的扩散特征融合方法（DIFF）来提取和集成有效的语义表示，该方法在领域泛化语义分割和合成到真实情景中均优于先前的方法达到了最优性能。

    Jun, 2024

  • 基于主成分聚类的合成数据生成中的语义分割

    使用潜在扩散模型生成合成数据集的方法，通过自我关注来实现基于头部信息的语义信息提取，从稳定扩散潜变量中直接获取类别无关的图像分割，并利用文本到像素的交叉关注进行先前生成掩膜的分类，最后通过仅使用稳定扩散输出图像进行掩膜精化步骤的提出。

    Jun, 2024