表格数据增强用于机器学习：拥抱生成式 AI 的进展与前景

Lingxi Cui; Huan Li; Ke Chen; Lidan Shou; Gang Chen

表格数据增强用于机器学习：拥抱生成式 AI 的进展与前景

机器学习 2024-08-01 v1 人工智能数据库

作者: Lingxi Cui , Huan Li , Ke Chen , Lidan Shou , Gang Chen

摘要

机器学习中的表格数据应用广泛，但获取大量高质量的表格数据用于模型训练仍然是一个重大障碍。许多工作致力于表格数据增强（TDA），通过在原始表格中添加额外数据来提升下游机器学习任务。近期，人们越来越关注利用生成式 AI 的能力来进行 TDA。因此，我们认为是时候对 TDA 的进展和未来前景进行全面综述，特别关注当前热门的生成式 AI。具体而言，我们提出了 TDA 流程的架构视图，包含三个主要步骤：预增强、增强和后增强。预增强包括为后续 TDA 铺平道路的准备任务，涵盖错误处理、表格标注、表格简化、表格表示、表格索引、表格导航、模式匹配和实体匹配。增强系统地分析当前的 TDA 方法，分为基于检索的方法（检索外部数据）和基于生成的方法（生成合成数据）。我们进一步根据增强过程的粒度将其细分为行、列、单元格和表格级别。后增强聚焦于 TDA 的数据集、评估和优化方面。我们还总结了 TDA 的当前趋势和未来方向，强调了生成式 AI 时代的有前景机遇。此外，相关论文和配套资源在 GitHub 仓库 https://github.com/SuDIS-ZJU/awesome-tabular-data-augmentation 中持续更新和维护，以反映该领域的最新进展。

关键词

表格数据增强生成式 AI 机器学习合成数据生成数据增强流程基于检索的方法基于生成的方法

引用

@article{arxiv.2407.21523,
  title  = {Tabular Data Augmentation for Machine Learning: Progress and Prospects of Embracing Generative AI},
  author = {Lingxi Cui and Huan Li and Ke Chen and Lidan Shou and Gang Chen},
  journal= {arXiv preprint arXiv:2407.21523},
  year   = {2024}
}

备注

repository maintained at https://github.com/SuDIS-ZJU/awesome-tabular-data-augmentation