评估表格数据的生成模型：新型指标与基准测试
机器学习
2025-04-30 v1
摘要
生成模型已在多个领域取得突破，但其在表格数据上的应用仍鲜有探索。评估表格数据的生成模型存在独特挑战，由于结构复杂性、大规模变异性和混合数据类型，难以直观地捕捉复杂模式。现有评估指标仅提供部分见解，缺乏对生成性能的全面衡量。为此，我们提出了三个新型评估指标：FAED、FPCAD 和 RFIS。我们在三个标准网络入侵检测数据集上进行了广泛实验分析，将这些指标与 established 方法（如 Fidelity、Utility、TSTR 和 TRTS）进行比较。结果表明，FAED 有效捕捉了现有指标所忽视的生成建模问题。虽然 FPCAD 表现前景光明，但仍需进一步完善以提高其可靠性。我们提出的框架为评估表格数据应用中的生成模型提供了稳健且实用的方法。
引用
@article{arxiv.2504.20900,
title = {Evaluating Generative Models for Tabular Data: Novel Metrics and Benchmarking},
author = {Dayananda Herurkar and Ahmad Ali and Andreas Dengel},
journal= {arXiv preprint arXiv:2504.20900},
year = {2025}
}
备注
Tabular Data, Generative Models, Evaluation Metrics, Network Intrusion Detection, Outlier Detection, Anomaly Detection