Buchumschlag

SYNTHONY: A Stress-Aware, Intent-Conditioned Agent for Deep Tabular Generative Models Selection

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Son, Hochan, Lin, Xiaofeng, Ni, Jason, Cheng, Guang
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

CTSyn: A Foundation Model for Cross Tabular Data Generation
von: Lin, Xiaofeng, et al.
Veröffentlicht: (2024)

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

Synth-MIA: A Testbed for Auditing Privacy Leakage in Tabular Data Synthesis
von: Ward, Joshua, et al.
Veröffentlicht: (2025)

ReTabSyn: Realistic Tabular Data Synthesis via Reinforcement Learning
von: Lin, Xiaofeng, et al.
Veröffentlicht: (2026)

Ensembling Membership Inference Attacks Against Tabular Generative Models
von: Ward, Joshua, et al.
Veröffentlicht: (2025)

Data Plagiarism Index: Characterizing the Privacy Risk of Data-Copying in Tabular Generative Models
von: Ward, Joshua, et al.
Veröffentlicht: (2024)

Watermarking Generative Tabular Data
von: He, Hengzhi, et al.
Veröffentlicht: (2024)

GReaTER: Generate Realistic Tabular data after data Enhancement and Reduction
von: Kwok, Tung Sum Thomas, et al.
Veröffentlicht: (2025)

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

GUI-ReWalk: Massive Data Generation for GUI Agent via Stochastic Exploration and Intent-Aware Reasoning
von: Lin, Musen, et al.
Veröffentlicht: (2025)

A Survey on Statistical Theory of Deep Learning: Approximation, Training Dynamics, and Generative Models
von: Suh, Namjoon, et al.
Veröffentlicht: (2024)

TimeAutoDiff: A Unified Framework for Generation, Imputation, Forecasting, and Time-Varying Metadata Conditioning of Heterogeneous Time Series Tabular Data
von: Suh, Namjoon, et al.
Veröffentlicht: (2024)

When Tables Leak: Attacking String Memorization in LLM-Based Tabular Data Generation
von: Ward, Joshua, et al.
Veröffentlicht: (2025)

TabGen-ICL: Residual-Aware In-Context Example Selection for Tabular Data Generation
von: Fang, Liancheng, et al.
Veröffentlicht: (2025)

SG-XDEAT: Sparsity-Guided Cross-Dimensional and Cross-Encoding Attention with Target-Aware Conditioning in Tabular Learning
von: Cheng, Chih-Chuan, et al.
Veröffentlicht: (2025)

Mambular: A Sequential Model for Tabular Deep Learning
von: Thielmann, Anton Frederik, et al.
Veröffentlicht: (2024)

A Conditional GAN for Tabular Data Generation with Probabilistic Sampling of Latent Subspaces
von: Akritidis, Leonidas, et al.
Veröffentlicht: (2025)

From Intent to Evidence: A Categorical Approach for Structural Evaluation of Deep Research Agents
von: Liu, Shuoling, et al.
Veröffentlicht: (2026)

Automated Model Selection for Tabular Data
von: Amballa, Avinash, et al.
Veröffentlicht: (2024)

Tabular Foundation Model for Generative Modelling
von: Jiang, Xiangjian, et al.
Veröffentlicht: (2026)

From Supervised to Generative: A Novel Paradigm for Tabular Deep Learning with Large Language Models
von: Wen, Xumeng, et al.
Veröffentlicht: (2023)

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

The Illusion of Generalization in Tabular Language Models
von: Gorla, Aditya, et al.
Veröffentlicht: (2026)

Deep Tabular Representation Corrector
von: Ye, Hangting, et al.
Veröffentlicht: (2026)

Improving Deep Tabular Learning
von: Sarafian, Sivan, et al.
Veröffentlicht: (2025)

SAGE: Sparse Adaptive Guidance for Dependency-Aware Tabular Data Generation
von: Yang, Shuo, et al.
Veröffentlicht: (2026)

CTTVAE: Latent Space Structuring for Conditional Tabular Data Generation on Imbalanced Datasets
von: Devic, Milosh, et al.
Veröffentlicht: (2026)

Benchmarking Tabular Foundation Models for Conditional Density Estimation in Regression
von: Izbicki, Rafael, et al.
Veröffentlicht: (2026)

Towards End-to-End Network Intent Management with Large Language Models
von: Dinh, Lam, et al.
Veröffentlicht: (2025)

Downstream Task-Oriented Generative Model Selections on Synthetic Data Training for Fraud Detection Models
von: Cheng, Yinan, et al.
Veröffentlicht: (2024)

Intent-Aware Schema Generation And Refinement For Literature Review Tables
von: Padmakumar, Vishakh, et al.
Veröffentlicht: (2025)

Better Representations via Adversarial Training in Pre-Training: A Theoretical Perspective
von: Xing, Yue, et al.
Veröffentlicht: (2024)

Arithmetic Feature Interaction Is Necessary for Deep Tabular Learning
von: Cheng, Yi, et al.
Veröffentlicht: (2024)

TabularQGAN: A Quantum Generative Model for Tabular Data
von: Bhardwaj, Pallavi, et al.
Veröffentlicht: (2025)

Revisiting Nearest Neighbor for Tabular Data: A Deep Tabular Baseline Two Decades Later
von: Ye, Han-Jia, et al.
Veröffentlicht: (2024)

Interpretable Deep Clustering for Tabular Data
von: Svirsky, Jonathan, et al.
Veröffentlicht: (2023)

MambaTab: A Plug-and-Play Model for Learning Tabular Data
von: Ahamed, Md Atik, et al.
Veröffentlicht: (2024)

Tabular Data Understanding with LLMs: A Survey of Recent Advances and Challenges
von: Wu, Xiaofeng, et al.
Veröffentlicht: (2025)

Harpoon: Generalised Manifold Guidance for Conditional Tabular Diffusion
von: Shankar, Aditya, et al.
Veröffentlicht: (2026)

Distribution Shift Aware Neural Tabular Learning
von: Ying, Wangyang, et al.
Veröffentlicht: (2025)