TAEGAN：用于数据增强的合成表格数据生成
机器学习
2025-12-15 v2
摘要
合成表格数据生成因其在数据增强和隐私保护数据共享方面的潜力而受到广泛关注。虽然扩散模型和自回归模型(如转换器)已推动该领域发展，但生成对抗网络(GANs)因其训练效率和强大的数据生成能力仍保持高度竞争力。本文引入表格自动编码器生成对抗网络(TAEGAN)，一种新型基于GAN的框架，利用掩码自动编码器作为生成器。TAEGAN是首个将生成器的自监督预热训练融入表格GAN中的方法。它增强了GAN的稳定性，使生成器能够获得 discriminator 反馈之外的更丰富信息。此外，我们提出了一种针对不平衡或偏斜数据的新型采样方法，以及改进的损失函数以更好地捕捉数据分布和相关性。我们对TAEGAN进行评估，测试了七种最先进的合成表格数据生成算法。八个数据集的结果表明，TAEGAN在五个数据集上超越了所有基线方法，综合性能提升最高的基线方法提升了 27%，同时模型规模不足以最佳基线方法的 5%。代码已公开：https://github.com/BetterdataLabs/taegan。
引用
@article{arxiv.2410.01933,
title = {TAEGAN: Generating Synthetic Tabular Data For Data Augmentation},
author = {Jiayu Li and Zilong Zhao and Kevin Yee and Uzair Javaid and Biplab Sikdar},
journal= {arXiv preprint arXiv:2410.01933},
year = {2025}
}
备注
This paper is accepted at ACML 2025