FCT-GAN：通过傅里叶变换增强表格数据合成
机器学习
2022-10-13 v1
摘要
合成表格数据作为在遵守严格数据访问法规（如欧洲通用数据保护条例（GDPR））下共享知识的替代方案而出现。主流最先进的表格数据合成器借鉴生成对抗网络（GANs）的方法，其由生成器和判别器组成。尽管卷积神经网络被证明比全连接网络更适合表格数据合成，但表格数据的两个关键性质被忽视了：（i）跨列的全局相关性，以及（ii）对输入数据列置换的合成不变性。为解决上述问题，我们提出傅里叶条件表格生成对抗网络（FCT-GAN）。我们引入特征分词化和傅里叶网络来构建Transformer风格的生成器和判别器，以捕获跨列的局部与全局依赖。分词器捕获局部空间特征并将原始数据转换为令牌。傅里叶网络将令牌变换至频域并与可学习滤波器逐元素相乘。在基准和真实数据上的广泛评估表明，FCT-GAN能合成具有高机器学习效用（比最先进基线高至多27.8%）且与原始数据具有高统计相似性（高至多26.5%）的表格数据，同时保持跨列的全局相关性，尤其在高位数据集上。
引用
@article{arxiv.2210.06239,
title = {FCT-GAN: Enhancing Table Synthesis via Fourier Transform},
author = {Zilong Zhao and Robert Birke and Lydia Y. Chen},
journal= {arXiv preprint arXiv:2210.06239},
year = {2022}
}