基于高斯近似的贝叶斯生成对抗网络用于表格数据合成
机器学习
2026-02-26 v1 机器学习
摘要
生成对抗网络 (GAN) 已被广泛用于合成混合表格数据。条件表格生成对抗网络 (CTGAN) 是最流行的变体，但在风险-效用权衡方面效果不佳。贝叶斯GAN在表格数据上受到的关注较少，但已用于图像和文本等非结构化数据。贝叶斯GAN中最常用的技术是马尔可夫链蒙特卡洛 (MCMC) 方法，但其计算密集，尤其在权重存储方面。本文引入了基于高斯近似的CTGAN (GACTGAN)，即将贝叶斯后验近似技术（基于随机权重平均-高斯 (SWAG)）集成到CTGAN生成器中，用于表格数据合成，训练后显著降低计算开销。我们展示了GACTGAN相较于CTGAN在合成数据方面表现更佳，能够更好地保留表格结构和推断统计信息，同时降低隐私风险。这些结果表明，GACTGAN是一种更简洁、有效的贝叶斯表格数据合成实现。
引用
@article{arxiv.2602.21948,
title = {Bayesian Generative Adversarial Networks via Gaussian Approximation for Tabular Data Synthesis},
author = {Bahrul Ilmi Nasution and Mark Elliot and Richard Allmendinger},
journal= {arXiv preprint arXiv:2602.21948},
year = {2026}
}
备注
28 pages, 5 Figures, Accepted in Transactions on Data Privacy