Buchumschlag

Beyond the convexity assumption: Realistic tabular data generation under quantifier-free real linear constraints

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Stoian, Mihaela Cătălina, Giunchiglia, Eleonora
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

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

A Survey on Deep Learning Approaches for Tabular Data Generation: Utility, Alignment, Fidelity, Privacy, Diversity, and Beyond
von: Stoian, Mihaela Cătălina, et al.
Veröffentlicht: (2025)

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

Exploiting T-norms for Deep Learning in Autonomous Driving
von: Stoian, Mihaela Cătălina, et al.
Veröffentlicht: (2024)

PiShield: A PyTorch Package for Learning with Requirements
von: Stoian, Mihaela Cătălina, et al.
Veröffentlicht: (2024)

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

Right for the Right Reasons: Avoiding Reasoning Shortcuts via Prototypical Neurosymbolic AI
von: Andolfi, Luca, et al.
Veröffentlicht: (2025)

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

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

Machine Learning with Requirements: a Manifesto
von: Giunchiglia, Eleonora, et al.
Veröffentlicht: (2023)

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)

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

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

Learning linear dynamical systems under convex constraints
von: Tyagi, Hemant, et al.
Veröffentlicht: (2023)

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

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

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

Distributionally robust self-supervised learning for tabular data
von: Ghosh, Shantanu, et al.
Veröffentlicht: (2024)

Towards a framework on tabular synthetic data generation: a minimalist approach: theory, use cases, and limitations
von: Shen, Yueyang, et al.
Veröffentlicht: (2024)

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

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

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

ULLER: A Unified Language for Learning and Reasoning
von: van Krieken, Emile, et al.
Veröffentlicht: (2024)

Generative adversarial networks vs large language models: a comparative study on synthetic tabular data generation
von: Barr, Austin A., et al.
Veröffentlicht: (2025)

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

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

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

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

The Inhibitor: ReLU and Addition-Based Attention for Efficient Transformers under Fully Homomorphic Encryption on the Torus
von: Brännvall, Rickard, et al.
Veröffentlicht: (2023)

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

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

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

ABS: Enforcing Constraint Satisfaction On Generated Sequences Via Automata-Guided Beam Search
von: Collura, Vincenzo, et al.
Veröffentlicht: (2025)

Enforcing convex constraints in Graph Neural Networks
von: Rashwan, Ahmed, et al.
Veröffentlicht: (2025)

KL Convergence Guarantees for Score diffusion models under minimal data assumptions
von: Conforti, Giovanni, et al.
Veröffentlicht: (2023)

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

Risk reversal for least squares estimators under nested convex constraints
von: Al-Ghattas, Omar
Veröffentlicht: (2026)

Can I Have Your Order? Monte-Carlo Tree Search for Slot Filling Ordering in Diffusion Language Models
von: Leang, Joshua Ong Jun, et al.
Veröffentlicht: (2026)

ExplainerPFN: Towards tabular foundation models for model-free zero-shot feature importance estimations
von: Fonseca, Joao, et al.
Veröffentlicht: (2026)