Buchumschlag

Dependency-aware synthetic tabular data generation

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Umesh, Chaithra, Schultz, Kristian, Mahendra, Manjunath, Bej, Saptarshi, Wolkenhauer, Olaf
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

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

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

Handling Missing Data in Downstream Tasks With Distribution-Preserving Guarantees
von: Bordoloi, Rahul, et al.
Veröffentlicht: (2025)

Anomaly Detection via Mean Shift Density Enhancement
von: Kar, Pritam, et al.
Veröffentlicht: (2026)

FUSE: Fast Semi-Supervised Node Embedding Learning via Structural and Label-Aware Optimization
von: Chakraborty, Sujan, et al.
Veröffentlicht: (2025)

Multivariate Functional Linear Discriminant Analysis for the Classification of Short Time Series with Missing Data
von: Bordoloi, Rahul, et al.
Veröffentlicht: (2024)

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)

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

Fast and Featureless Node Representation Learning with Partial Pairwise Supervision
von: Chakraborty, Sujan, et al.
Veröffentlicht: (2026)

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

Embedding Learning on Multiplex Networks for Link Prediction
von: Trautmann, Orell, et al.
Veröffentlicht: (2026)

Towards a framework on tabular synthetic data generation: a minimalist approach: theory, use cases, and limitations
von: Shen, Yueyang, 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)

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

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

Supervised Spike Agreement Dependent Plasticity for Fast Local Learning in Spiking Neural Networks
von: S, Gouri Lakshmi, et al.
Veröffentlicht: (2026)

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

Spike Agreement Dependent Plasticity: A scalable Bio-Inspired learning paradigm for Spiking Neural Networks
von: Bej, Saptarshi, et al.
Veröffentlicht: (2025)

Can I trust my fake data -- A comprehensive quality assessment framework for synthetic tabular data in healthcare
von: Vallevik, Vibeke Binz, 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)

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)

Deep generative models as an adversarial attack strategy for tabular machine learning
von: Dyrmishi, Salijona, 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)

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

An evaluation framework for synthetic data generation models
von: Livieris, Ioannis E., et al.
Veröffentlicht: (2024)

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)

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)

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

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

NFDI4Health workflow and service for synthetic data generation, assessment and risk management
von: Moazemi, Sobhan, et al.
Veröffentlicht: (2024)

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

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

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