一种结合 VAE 与 GMM 的改进表格数据生成器

机器学习在各个领域的日益广泛应用需要稳健的方法来生成合成表格数据。生成的数据应保留关键特征，同时解决数据稀缺的挑战。当前基于生成对抗网络的方法，如 SOTA 模型 CTGAN，在处理表格数据固有的复杂结构时存在困难。这些数据通常包含具有非高斯分布的连续和离散特征。因此，我们提出了一种基于变分自编码器（VAE）的新模型来解决这些局限性。受 TVAE 模型启发，我们的方法在 VAE 架构中引入了贝叶斯高斯混合模型（BGM）。这避免了假设严格高斯潜在空间所带来的局限性，从而在数据生成时能更准确地表示底层数据分布。此外，我们的模型允许对各个特征使用各种可微分布，提供了更强的灵活性，使其能够同时处理连续和离散数据类型。我们在三个包含混合数据类型的真实世界数据集（包括两个医学相关数据集）上，基于相似性和实用性对模型进行了充分验证。评估结果表明，该模型显著优于 CTGAN 和 TVAE，确立了其作为在各个领域（尤其是医疗保健领域）生成合成表格数据的有价值工具的潜力。