Copertina

Learning based on neurovectors for tabular data: a new neural network approach

Fuente: arXiv

Salvato in:

Dettagli Bibliografici
Autori principali:	Husillos, J. C., Gallego, A., Roma, A., Troncoso, A.
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

TOC-UCO: a comprehensive repository of tabular ordinal classification datasets
di: Ayllón-Gavilán, Rafael, et al.
Pubblicazione: (2025)

Synthetic Data Blueprint (SDB): A modular framework for the statistical, structural, and graph-based evaluation of synthetic tabular data
di: Pezoulas, Vasileios C., et al.
Pubblicazione: (2025)

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

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

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

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

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

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

Do stable neural networks exist for classification problems? -- A new view on stability in AI
di: Liu, Z. N. D., et al.
Pubblicazione: (2024)

Learning functional components of PDEs from data using neural networks
di: Loman, Torkel E., et al.
Pubblicazione: (2026)

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

Hamiltonian-based neural networks for systems under nonholonomic constraints
di: T., Ignacio Puiggros, et al.
Pubblicazione: (2024)

Physics-informed neural networks for operator equations with stochastic data
di: Escapil-Inchauspé, Paul, et al.
Pubblicazione: (2022)

Inferring stochastic low-rank recurrent neural networks from neural data
di: Pals, Matthijs, et al.
Pubblicazione: (2024)

A neural network-based approach to hybrid systems identification for control
di: Fabiani, Filippo, et al.
Pubblicazione: (2024)

Topological derivative approach for deep neural network architecture adaptation
di: Krishnanunni, C G, et al.
Pubblicazione: (2025)

Sobolev neural network with residual weighting as a surrogate in linear and non-linear mechanics
di: Kilicsoy, A. O. M., et al.
Pubblicazione: (2024)

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

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

Generalizing the SINDy approach with nested neural networks
di: Fiorini, Camilla, et al.
Pubblicazione: (2024)

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

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

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

Neural network relief: a pruning algorithm based on neural activity
di: Dekhovich, Aleksandr, et al.
Pubblicazione: (2021)