ciDATGAN：用于表格 GAN 的条件输入
机器学习
2022-10-06 v1
摘要
条件性已成为生成对抗网络（GAN）生成合成图像的核心组成部分。GAN 通常使用潜在条件性来控制生成过程。然而，表格数据仅包含显变量。因此，潜在条件性要么限制所生成的数据，要么无法产生足够好的结果。为此，我们受图像补全方法启发，提出一种在表格 GAN 中引入条件性的新方法。本文提出 ciDATGAN，即有向无环表格 GAN（DATGAN）的演进版本，后者已被证明优于最先进的表格 GAN 模型。首先，我们表明相较于其前身，条件输入的加入并未阻碍模型性能。接着，我们证明 ciDATGAN 可借助精心选择的条件输入对数据集去偏。最后，结果表明 ciDATGAN 能够学习数据背后的逻辑，从而可利用较小 feeder 数据集中的数据补全大型合成数据集。
引用
@article{arxiv.2210.02404,
title = {ciDATGAN: Conditional Inputs for Tabular GANs},
author = {Gael Lederrey and Tim Hillel and Michel Bierlaire},
journal= {arXiv preprint arXiv:2210.02404},
year = {2022}
}
备注
Technical report, 21 pages