Harpoon：用于条件性表格扩散的通用流形引导
机器学习
2026-02-23 v2
摘要
在条件下生成表格数据对于需要对生成过程实现精确控制的应用至关重要。现有方法依赖训练时策略，难以在推理时的未见约束中泛化，且难以处理表格插值之外的条件任务。虽然流形理论提供了原则性的引导方法，但当前表述局限于特定的推理时目标，且仅适用于连续域。我们将流形理论扩展到表格数据，并扩大其范围以处理多样化的推理时目标。基于此基础，我们引入 HARPOON，一种表格扩散方法，通过沿流形几何引导无约束样本以满足推理中的多样化表格条件。我们在插值和强制不等式约束等任务上验证了理论贡献的实证效果，展示了 HARPOON 在多样数据集上的卓越性能以及流形感知引导在表格数据中的实际优势。代码地址：https://github.com/adis98/Harpoon
引用
@article{arxiv.2602.07875,
title = {Harpoon: Generalised Manifold Guidance for Conditional Tabular Diffusion},
author = {Aditya Shankar and Yuandou Wang and Rihan Hai and Lydia Y. Chen},
journal= {arXiv preprint arXiv:2602.07875},
year = {2026}
}
备注
Accepted at ICLR 2026