Buchumschlag

Distributionally robust self-supervised learning for tabular data

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Ghosh, Shantanu, Xie, Tiankang, Kuznetsov, Mikhail
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

Understanding the limitations of self-supervised learning for tabular anomaly detection
von: Mai, Kimberly T., et al.
Veröffentlicht: (2023)

A supervised generative optimization approach for tabular data
von: Nakamura-Sakai, Shinpei, et al.
Veröffentlicht: (2023)

xRFM: Accurate, scalable, and interpretable feature learning models for tabular data
von: Beaglehole, Daniel, et al.
Veröffentlicht: (2025)

SeBA: Semi-supervised few-shot learning via Separated-at-Birth Alignment for tabular data
von: Jurek, Kacper, et al.
Veröffentlicht: (2026)

Convex space learning for tabular synthetic data generation
von: Mahendra, Manjunath, et al.
Veröffentlicht: (2024)

X-TIME: An in-memory engine for accelerating machine learning on tabular data with CAMs
von: Pedretti, Giacomo, et al.
Veröffentlicht: (2023)

AutoG: Towards automatic graph construction from tabular data
von: Chen, Zhikai, et al.
Veröffentlicht: (2025)

Dependency-aware synthetic tabular data generation
von: Umesh, Chaithra, et al.
Veröffentlicht: (2025)

Table Foundation Models: on knowledge pre-training for tabular learning
von: Kim, Myung Jun, et al.
Veröffentlicht: (2025)

Anchor-based oversampling for imbalanced tabular data via contrastive and adversarial learning
von: Mohammadi, Hadi, et al.
Veröffentlicht: (2025)

Improving realistic semi-supervised learning with doubly robust estimation
von: Pham, Khiem, et al.
Veröffentlicht: (2025)

DAGAF: A directed acyclic generative adversarial framework for joint structure learning and tabular data synthesis
von: Petkov, Hristo, et al.
Veröffentlicht: (2026)

Targeted synthetic data generation for tabular data via hardness characterization
von: Ferracci, Tommaso, et al.
Veröffentlicht: (2024)

MMM and MMMSynth: Clustering of heterogeneous tabular data, and synthetic data generation
von: Kumari, Chandrani, et al.
Veröffentlicht: (2023)

TREB: a BERT attempt for imputing tabular data imputation
von: Wang, Shuyue, et al.
Veröffentlicht: (2024)

Closing the gap on tabular data with Fourier and Implicit Categorical Features
von: Dragoi, Marius, et al.
Veröffentlicht: (2026)

A theoretical framework for self-supervised contrastive learning for continuous dependent data
von: Marusov, Alexander, et al.
Veröffentlicht: (2025)

Preserving logical and functional dependencies in synthetic tabular data
von: Umesh, Chaithra, et al.
Veröffentlicht: (2024)

Deep generative models as an adversarial attack strategy for tabular machine learning
von: Dyrmishi, Salijona, et al.
Veröffentlicht: (2024)

An interpretable prototype parts-based neural network for medical tabular data
von: Karolczak, Jacek, et al.
Veröffentlicht: (2026)

Evaluating quality in synthetic data generation for large tabular health datasets
von: Escudié, Jean-Baptiste, et al.
Veröffentlicht: (2026)

ExcelFormer: A neural network surpassing GBDTs on tabular data
von: Chen, Jintai, et al.
Veröffentlicht: (2023)

Information theoretic underpinning of self-supervised learning by clustering
von: Kittler, Josef, et al.
Veröffentlicht: (2026)

Multi-objective evolutionary GAN for tabular data synthesis
von: Ran, Nian, et al.
Veröffentlicht: (2024)

Learning based on neurovectors for tabular data: a new neural network approach
von: Husillos, J. C., et al.
Veröffentlicht: (2025)

Graph self-supervised learning based on frequency corruption
von: Li, Haojie, et al.
Veröffentlicht: (2026)

Fine-gained air quality inference based on low-quality sensing data using self-supervised learning
von: Xu, Meng, et al.
Veröffentlicht: (2024)

Systematic comparison of semi-supervised and self-supervised learning for medical image classification
von: Huang, Zhe, et al.
Veröffentlicht: (2023)

HyConEx: Hypernetwork classifier with counterfactual explanations for tabular data
von: Marszałek, Patryk, et al.
Veröffentlicht: (2025)

An improved tabular data generator with VAE-GMM integration
von: Apellániz, Patricia A., et al.
Veröffentlicht: (2024)

Normalizing self-supervised learning for provably reliable Change Point Detection
von: Bazarova, Alexandra, et al.
Veröffentlicht: (2024)

Inpainting physics: self-supervised learning for context-driven fluid simulation
von: Weidner, Jonas, et al.
Veröffentlicht: (2026)

A text-to-tabular approach to generate synthetic patient data using LLMs
von: Tornqvist, Margaux, et al.
Veröffentlicht: (2024)

Provably robust learning of regression neural networks using $β$-divergences
von: Ghosh, Abhik, et al.
Veröffentlicht: (2026)

MEDS-Tab: Automated tabularization and baseline methods for MEDS datasets
von: Oufattole, Nassim, et al.
Veröffentlicht: (2024)

Efficient Distributed Training through Gradient Compression with Sparsification and Quantization Techniques
von: Singh, Shruti, et al.
Veröffentlicht: (2024)

Beyond the convexity assumption: Realistic tabular data generation under quantifier-free real linear constraints
von: Stoian, Mihaela Cătălina, et al.
Veröffentlicht: (2025)

IncomeSCM: From tabular data set to time-series simulator and causal estimation benchmark
von: Johansson, Fredrik D.
Veröffentlicht: (2024)

Curated LLM: Synergy of LLMs and Data Curation for tabular augmentation in low-data regimes
von: Seedat, Nabeel, et al.
Veröffentlicht: (2023)

Self-supervised learning on gene expression data
von: Dradjat, Kevin, et al.
Veröffentlicht: (2025)