Buchumschlag

TAEGAN: Generating Synthetic Tabular Data For Data Augmentation

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Li, Jiayu, Zhao, Zilong, Yee, Kevin, Javaid, Uzair, Sikdar, Biplab
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

TabTreeFormer: Tabular Data Generation Using Hybrid Tree-Transformer
von: Li, Jiayu, et al.
Veröffentlicht: (2025)

CombU: A Combined Unit Activation for Fitting Mathematical Expressions with Neural Networks
von: Li, Jiayu, et al.
Veröffentlicht: (2024)

IRG: Modular Synthetic Relational Database Generation with Complex Relational Schemas
von: Li, Jiayu, et al.
Veröffentlicht: (2023)

Instruction Tuning of Large Language Models for Tabular Data Generation-in One Day
von: Abdollahzadeh, Milad, et al.
Veröffentlicht: (2025)

VFLGAN-TS: Vertical Federated Learning-based Generative Adversarial Networks for Publication of Vertically Partitioned Time-Series Data
von: Yuan, Xun, et al.
Veröffentlicht: (2024)

Laplace Transform Interpretation of Differential Privacy
von: Chourasia, Rishav, et al.
Veröffentlicht: (2024)

Towards Irreversible Machine Unlearning for Diffusion Models
von: Yuan, Xun, et al.
Veröffentlicht: (2025)

Evaluating Synthetic Tabular Data Generated To Augment Small Sample Datasets
von: Marin, Javier
Veröffentlicht: (2022)

PEANUT: Perturbations by Eigenvector Alignment for Attacking Graph Neural Networks Under Topology-Driven Message Passing
von: Kohli, Bhavya, et al.
Veröffentlicht: (2026)

TabuLa: Harnessing Language Models for Tabular Data Synthesis
von: Zhao, Zilong, et al.
Veröffentlicht: (2023)

Diffusion Models for Tabular Data Imputation and Synthetic Data Generation
von: Villaizán-Vallelado, Mario, et al.
Veröffentlicht: (2024)

Privacy-Preserving Tabular Synthetic Data Generation Using TabularARGN
von: Sidorenko, Andrey, et al.
Veröffentlicht: (2025)

Hierarchical Conditional Tabular GAN for Multi-Tabular Synthetic Data Generation
von: Ågren, Wilhelm, et al.
Veröffentlicht: (2024)

Robust Spectral Watermark for Synthetic Tabular Data
von: Zhao, Yizhou, et al.
Veröffentlicht: (2025)

A Comprehensive Survey of Synthetic Tabular Data Generation
von: Shi, Ruxue, et al.
Veröffentlicht: (2025)

Fed-TGAN: Federated Learning Framework for Synthesizing Tabular Data
von: Zhao, Zilong, et al.
Veröffentlicht: (2021)

VFLGAN: Vertical Federated Learning-based Generative Adversarial Network for Vertically Partitioned Data Publication
von: Yuan, Xun, et al.
Veröffentlicht: (2024)

Structured Evaluation of Synthetic Tabular Data
von: Yang, Scott Cheng-Hsin, et al.
Veröffentlicht: (2024)

CARTGen-IR: Synthetic Tabular Data Generation for Imbalanced Regression
von: Pinheiro, António Pedro, et al.
Veröffentlicht: (2025)

Privacy-Preserving Collaborative Split Learning Framework for Smart Grid Load Forecasting
von: Iqbal, Asif, et al.
Veröffentlicht: (2024)

How Realistic Is Your Synthetic Data? Constraining Deep Generative Models for Tabular Data
von: Stoian, Mihaela Cătălina, et al.
Veröffentlicht: (2024)

VT-GAN: Cooperative Tabular Data Synthesis using Vertical Federated Learning
von: Zhao, Zilong, et al.
Veröffentlicht: (2023)

CuTS: Customizable Tabular Synthetic Data Generation
von: Vero, Mark, et al.
Veröffentlicht: (2023)

Evaluating Inter-Column Logical Relationships in Synthetic Tabular Data Generation
von: Long, Yunbo, et al.
Veröffentlicht: (2025)

Synthetic Tabular Data Generation: A Comparative Survey for Modern Techniques
von: Challagundla, Raju, et al.
Veröffentlicht: (2025)

Synthetic Tabular Data Generation for Imbalanced Classification: The Surprising Effectiveness of an Overlap Class
von: D'souza, Annie, et al.
Veröffentlicht: (2024)

Synthetic Tabular Data: Methods, Attacks and Defenses
von: Cormode, Graham, et al.
Veröffentlicht: (2025)

Privacy-Preserving Fair Synthetic Tabular Data
von: Sarmin, Fatima J., et al.
Veröffentlicht: (2025)

FASTGEN: Fast and Cost-Effective Synthetic Tabular Data Generation with LLMs
von: Nguyen, Anh, et al.
Veröffentlicht: (2025)

Is API Access to LLMs Useful for Generating Private Synthetic Tabular Data?
von: Swanberg, Marika, et al.
Veröffentlicht: (2025)

Risk In Context: Benchmarking Privacy Leakage of Foundation Models in Synthetic Tabular Data Generation
von: Byun, Jessup, et al.
Veröffentlicht: (2025)

Memisis: Orchestrating and Evaluating Synthetic Data for Tabular Health Datasets
von: Nagesh, Nitish, et al.
Veröffentlicht: (2026)

FEST: A Unified Framework for Evaluating Synthetic Tabular Data
von: Niu, Weijie, et al.
Veröffentlicht: (2025)

Artificial Inductive Bias for Synthetic Tabular Data Generation in Data-Scarce Scenarios
von: Apellániz, Patricia A., et al.
Veröffentlicht: (2024)

Retrieval Augmented Deep Anomaly Detection for Tabular Data
von: Thimonier, Hugo, et al.
Veröffentlicht: (2024)

An Analysis of Causal Effect Estimation using Outcome Invariant Data Augmentation
von: Akbar, Uzair, et al.
Veröffentlicht: (2025)

Generating Synthetic Relational Tabular Data via Structural Causal Models
von: Hoppe, Frederik, et al.
Veröffentlicht: (2025)

Synthetic Tabular Data Detection In the Wild
von: Kindji, G. Charbel N., et al.
Veröffentlicht: (2025)

Synthetic Tabular Data Generation for Class Imbalance and Fairness: A Comparative Study
von: Panagiotou, Emmanouil, et al.
Veröffentlicht: (2024)

Synthetic Data Generation for Augmenting Small Samples
von: Liu, Dan, et al.
Veröffentlicht: (2025)