Copertina

A Comprehensive Survey of Synthetic Tabular Data Generation

Fuente: arXiv

Salvato in:

Dettagli Bibliografici
Autori principali:	Shi, Ruxue, Wang, Yili, Du, Mengnan, Shen, Xu, Chang, Yi, Wang, Xin
Natura:	Preprint
Pubblicazione:	2025
Soggetti:	Machine Learning
Accesso online:	Acceder al recurso
Tags:	Aggiungi Tag Nessun Tag, puoi essere il primo ad aggiungerne!!

Documenti analoghi

Harnessing LLMs Explanations to Boost Surrogate Models in Tabular Data Classification
di: Shi, Ruxue, et al.
Pubblicazione: (2025)

Latte: Transfering LLMs` Latent-level Knowledge for Few-shot Tabular Learning
di: Shi, Ruxue, et al.
Pubblicazione: (2025)

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

Representation Learning for Tabular Data: A Comprehensive Survey
di: Jiang, Jun-Peng, et al.
Pubblicazione: (2025)

Towards Data-Centric AI: A Comprehensive Survey of Traditional, Reinforcement, and Generative Approaches for Tabular Data Transformation
di: Wang, Dongjie, et al.
Pubblicazione: (2025)

A Survey on Self-Supervised Learning for Non-Sequential Tabular Data
di: Wang, Wei-Yao, et al.
Pubblicazione: (2024)

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

TAEGAN: Generating Synthetic Tabular Data For Data Augmentation
di: Li, Jiayu, et al.
Pubblicazione: (2024)

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

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

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

Raising the Bar in Graph OOD Generalization: Invariant Learning Beyond Explicit Environment Modeling
di: Shen, Xu, et al.
Pubblicazione: (2025)

Optimizing OOD Detection in Molecular Graphs: A Novel Approach with Diffusion Models
di: Shen, Xu, et al.
Pubblicazione: (2024)

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

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

Comprehensive Exploration of Synthetic Data Generation: A Survey
di: Bauer, André, et al.
Pubblicazione: (2024)

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

A Comprehensive Survey on Data Augmentation
di: Wang, Zaitian, et al.
Pubblicazione: (2024)

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

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

LLM Empowered Prototype Learning for Zero and Few-Shot Tasks on Tabular Data
di: Wang, Peng, et al.
Pubblicazione: (2025)

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

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

Mamba-Based Graph Convolutional Networks: Tackling Over-smoothing with Selective State Space
di: He, Xin, et al.
Pubblicazione: (2025)

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

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

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

Hierarchical Synthetic Tabular Data Generation: A Hybrid Top-Down and Bottom-Up Framework
di: Nie, Junfeng, et al.
Pubblicazione: (2026)

LLM Meeting Decision Trees on Tabular Data
di: Ye, Hangting, et al.
Pubblicazione: (2025)

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

Exploring the Heterogeneity of Tabular Data: A Diversity-aware Data Generator via LLMs
di: Tang, Yafeng, et al.
Pubblicazione: (2025)

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

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

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

Diffusion and Flow Matching Models for Tabular Data: A Survey
di: Li, Zhong, et al.
Pubblicazione: (2025)

Dual Mamba for Node-Specific Representation Learning: Tackling Over-Smoothing with Selective State Space Modeling
di: He, Xin, et al.
Pubblicazione: (2025)

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

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

A Systematic Evaluation of Generative Models on Tabular Transportation Data
di: Wang, Chengen, et al.
Pubblicazione: (2025)

Advancing Retail Data Science: Comprehensive Evaluation of Synthetic Data
di: Xia, Yu, et al.
Pubblicazione: (2024)