突破凸性假设：基于无量词实线性约束的现实表格数据生成
机器学习
2025-02-26 v1
摘要
合成表格数据生成传统上是一个具有挑战性的问题，因为表征此类数据的底层分布具有高度复杂性。尽管深度生成模型（DGMs）近期取得了进展，但现有方法通常无法生成与可用背景知识良好对齐的真实数据点。本文通过引入析取精炼层（DRL）来解决这一局限性，DRL是一种旨在强制生成数据与用户定义约束中指定的背景知识对齐的新型层。DRL是第一种能够自动使深度学习模型天然满足约束的方法，这些约束的表达能力可以等同于无量词实线性公式，这些公式可以定义非凸甚至不连通的空间。我们的实验分析表明，DRL不仅保证了约束满足，还在下游任务中提升了有效性。特别值得注意的是，当应用于频繁违反约束的DGMs时，DRL完全消除了违规行为。此外，它将性能指标提升了高达21.4%的F1分数和20.9%的ROC曲线下面积，从而展示了其在数据生成中的实际影响。
引用
@article{arxiv.2502.18237,
title = {Beyond the convexity assumption: Realistic tabular data generation under quantifier-free real linear constraints},
author = {Mihaela Cătălina Stoian and Eleonora Giunchiglia},
journal= {arXiv preprint arXiv:2502.18237},
year = {2025}
}
备注
Accepted at ICLR 2025