SYNTHONY：一种面向深度表格生成模型选择的 stress 感知、意图条件智能体
机器学习
2026-04-02 v1 机器学习
摘要
用于表格数据的深度生成模型（GAN、扩散模型和基于 LLM 的生成器）在不同数据集上表现出高度不均匀的行为；表现最佳的合成器族强烈依赖于分布性压力因子，如长尾边缘分布、高基数类别、Zipfian 不平衡和小样本 regime。这种脆弱性使实际部署具有挑战性，尤其当用户必须在保真度、隐私和效用等竞争目标之间取得平衡时。我们研究了{意图条件化的表格合成选择}：给定一个数据集和以评估指标偏好表达的用户意图，目标是选择一个相对于意图特定 oracle 最小化遗憾的合成器。我们提出了{stress profiling}，一种合成特定的元特征表示，沿四个可解释的压力维度量化数据集难度，并将其整合到 {SYNTHONY} 中——一个将 stress profile 与合成器族的能力注册表进行匹配的选择框架。在涵盖 7 个数据集、10 个合成器和 3 个意图的基准测试中，我们证明了基于 stress 的元特征对合成器性能具有高度预测性：使用这些特征的 NN 选择器取得了强大的 Top-1 选择准确率，显著优于零样本 LLM 选择器和随机基线。我们分析了基于元特征的选择与基于能力的选择之间的差距，将手工制作的能力注册表识别为主要瓶颈，并将学习到的能力表示确定为未来工作的方向。
引用
@article{arxiv.2604.00293,
title = {SYNTHONY: A Stress-Aware, Intent-Conditioned Agent for Deep Tabular Generative Models Selection},
author = {Hochan Son and Xiaofeng Lin and Jason Ni and Guang Cheng},
journal= {arXiv preprint arXiv:2604.00293},
year = {2026}
}