Copertina

FEST: A Unified Framework for Evaluating Synthetic Tabular Data

Fuente: arXiv

Salvato in:

Dettagli Bibliografici
Autori principali:	Niu, Weijie, Celdran, Alberto Huertas, Siarsky, Karoline, Stiller, Burkhard
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

ColNet: Collaborative Optimization in Decentralized Federated Multi-task Learning Systems
di: Feng, Chao, et al.
Pubblicazione: (2025)

From Models to Network Topologies: A Topology Inference Attack in Decentralized Federated Learning
di: Feng, Chao, et al.
Pubblicazione: (2025)

Demo: A Practical Testbed for Decentralized Federated Learning on Physical Edge Devices
di: Feng, Chao, et al.
Pubblicazione: (2025)

FedEP: Tailoring Attention to Heterogeneous Data Distribution with Entropy Pooling for Decentralized Federated Learning
di: Feng, Chao, et al.
Pubblicazione: (2024)

De-VertiFL: A Solution for Decentralized Vertical Federated Learning
di: Celdrán, Alberto Huertas, et al.
Pubblicazione: (2024)

AugMixCloak: A Defense against Membership Inference Attacks via Image Transformation
di: Ren, Heqing, et al.
Pubblicazione: (2025)

DMPA: Model Poisoning Attacks on Decentralized Federated Learning for Model Differences
di: Feng, Chao, et al.
Pubblicazione: (2025)

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

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

SYNAPSE: Framework for Neuron Analysis and Perturbation in Sequence Encoding
di: Ochoa, Jesús Sánchez, et al.
Pubblicazione: (2026)

Benchmarking Synthetic Tabular Data: A Multi-Dimensional Evaluation Framework
di: Sidorenko, Andrey, et al.
Pubblicazione: (2025)

GreenDFL: a Framework for Assessing the Sustainability of Decentralized Federated Learning Systems
di: Feng, Chao, et al.
Pubblicazione: (2025)

SynthEval: A Framework for Detailed Utility and Privacy Evaluation of Tabular Synthetic Data
di: Lautrup, Anton Danholt, et al.
Pubblicazione: (2024)

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

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

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

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

Voyager: MTD-Based Aggregation Protocol for Mitigating Poisoning Attacks on DFL
di: Feng, Chao, et al.
Pubblicazione: (2023)

TabSynDex: A Universal Metric for Robust Evaluation of Synthetic Tabular Data
di: Chundawat, Vikram S, et al.
Pubblicazione: (2022)

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

A Comprehensive Survey of Synthetic Tabular Data Generation
di: Shi, Ruxue, et al.
Pubblicazione: (2025)

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

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

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

Gradient Boosting Trees and Large Language Models for Tabular Data Few-Shot Learning
di: Huertas, Carlos
Pubblicazione: (2024)

TabularARGN: A Flexible and Efficient Auto-Regressive Framework for Generating High-Fidelity Synthetic Data
di: Tiwald, Paul, et al.
Pubblicazione: (2025)

What's Wrong with Your Synthetic Tabular Data? Using Explainable AI to Evaluate Generative Models
di: Kapar, Jan, et al.
Pubblicazione: (2025)

Transfer Learning in Pre-Trained Large Language Models for Malware Detection Based on System Calls
di: Sánchez, Pedro Miguel Sánchez, et al.
Pubblicazione: (2024)

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)

Critical Challenges and Guidelines in Evaluating Synthetic Tabular Data: A Systematic Review
di: Nafis, Nazia, et al.
Pubblicazione: (2025)

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

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

A Systematic Framework for Tabular Data Disentanglement
di: Tjuawinata, Ivan, et al.
Pubblicazione: (2026)

Cross-table Synthetic Tabular Data Detection
di: Kindji, G. Charbel N., et al.
Pubblicazione: (2024)

Synthetic Tabular Data Detection In the Wild
di: Kindji, G. Charbel N., et al.
Pubblicazione: (2025)

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

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

MalDataGen: A Modular Framework for Synthetic Tabular Data Generation in Malware Detection
di: Paim, Kayua Oleques, et al.
Pubblicazione: (2025)

The Real Deal Behind the Artificial Appeal: Inferential Utility of Tabular Synthetic Data
di: Decruyenaere, Alexander, et al.
Pubblicazione: (2023)