Apr, 2024

LM-IGTD：用于二维图像生成的低维和混合类型表格数据，以发挥卷积神经网络的潜力

PDF
TL;DR该研究提出了一种将表格数据转化为图像的新方法，名为 LM-IGTD，通过整合随机特征生成过程和 IGTD 的修改版本，实现了从表格数据中创建图像的自动化和可解释的端到端流程，并在 12 个低维和混合类型数据集上进行了广泛的评估，通过 LM-IGTD 和 CNN 生成的图像在五个数据集中的预测任务中表现优于传统的机器学习模型。
tabular dataconvolutional neural networksimageslm-igtdpredictive tasks
发现论文，激发创造
  • 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

  • LaTable: 大型表格模型的探索

    构建更好的零样本和少样本生成能力的生成式表格基础模型 LaTable 在有限样本的条件下，在实例内分布生成方面胜过基线，并在生成超出分布的数据集时表现更好。

    Jun, 2024

  • TablEye: 透过图像镜头看小型表格

    本文介绍了一种名为 TablEye 的创新框架，通过采用域转换来克服形成表格数据的先验知识的限制，它通过生成表格图像有效地保留原始表格数据的内在语义，并利用共享数据域来获取和应用先验知识。TablEye 在 4-shot 任务中超过了 TabLLM，最大 AUC 为 0.11，以及在 1-shot 环境中引领了平均 3.17％的准确度。

    Jul, 2023

  • 基于图像的表格识别：数据、模型和评估

    本研究提出了一个基于编码器 - 解码器结构的深度学习模型，用于将表格图像转换为 HTML 代码，并使用一种新的基于 Tree-Edit-Distance 相似度（TEDS）度量方法实现表格识别，实验结果表明所提出的模型在复杂表格识别方面具有优秀的表现。

    Nov, 2019

  • 基于聚类的生成不完整图像文本聚类 (CIGIT-C)

    本研究针对多模态数据，使用一种基于生成网络的不完整图文聚类方法，旨在解决实际情景中数据不完整的问题，并在公开数据集上验证了其性能优于已有方法。

    Sep, 2022

  • 生成森林

    本研究论文介绍了一种用于密度建模和表格数据生成的基于树的生成模型，该模型提高了最新提案的建模能力，并提出了一种简化先前方法训练设置并显示提升一致性收敛性的训练算法。通过实验验证了我们方法在缺失数据插补和生成数据与真实数据对比方面的优质结果。

    Aug, 2023

  • 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

  • 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

  • 基于版面的图像生成

    Layout2Im 是一种基于布局的图像生成方法，将物体表示分解为指定和不确定部分，并使用卷积 LSTM 编码并解码整个布局，以生成准确且多样化的图像，提高了最佳 Inception 分数 24.66％至 28.57％。

    Nov, 2018