TabMT：使用掩码Transformer生成表格数据

自回归和掩码Transformer作为生成模型和分类器非常有效。虽然这些模型在自然语言处理中最为普遍，但它们在视觉等其他领域也表现出强大的性能。本文致力于探索基于Transformer的模型在多种应用领域的合成数据生成。在本文中，我们提出了TabMT，一种新颖的掩码Transformer设计，用于生成合成表格数据。TabMT有效解决了异构数据字段带来的独特挑战，并且能够原生处理缺失数据。我们的设计利用改进的掩码技术进行生成，并在从极小到极大的表格数据集上展示了最先进的性能。我们针对隐私关注的应用评估了TabMT，发现它能够生成具有优越隐私权衡的高质量数据。