FairTabGen: High-Fidelity and Fair Synthetic Health Data Generation from Limited Samples

Fuente: arXiv

Guardado en:

Detalles Bibliográficos
Autores principales:	Nagesh, Nitish, Shakibhamedan, Salar, Bagheri, Mahdi, Wang, Ziyu, TaheriNejad, Nima, Jantsch, Axel, Rahmani, Amir M.
Formato:	Preprint
Publicado:	2025
Materias:	Machine Learning Artificial Intelligence
Acceso en línea:	Acceder al recurso
Etiquetas:	Agregar Etiqueta Sin Etiquetas, Sea el primero en etiquetar este registro!

Internet

https://arxiv.org/abs/2508.11810