Buchumschlag

Synthetic Data in Education: Empirical Insights from Traditional Resampling and Deep Generative Models

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Chinodakufa, Tapiwa Amion, Shafin, Ashfaq Ali, Ahmed, Khandaker Mamun
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

The Language of Influence: Sentiment, Emotion, and Hate Speech in State Sponsored Influence Operations
von: Shafin, Ashfaq Ali, et al.
Veröffentlicht: (2025)

Toxicity in State Sponsored Information Operations
von: Shafin, Ashfaq Ali, et al.
Veröffentlicht: (2025)

Does Synthetic Data Help? Empirical Evidence from Deep Learning Time Series Forecasters
von: Cazaux, Hugo, et al.
Veröffentlicht: (2026)

AIS-CycleGen: A CycleGAN-Based Framework for High-Fidelity Synthetic AIS Data Generation and Augmentation
von: Zaman, SM Ashfaq uz, et al.
Veröffentlicht: (2026)

DiabetesNet: A Deep Learning Approach to Diabetes Diagnosis
von: Zhang, Zeyu, et al.
Veröffentlicht: (2024)

Self-Improving Diffusion Models with Synthetic Data
von: Alemohammad, Sina, et al.
Veröffentlicht: (2024)

Data Presentation Over Architecture: Resampling Strategies for Credit Risk Prediction with Tabular Foundation Models
von: Tanna, Aditya, et al.
Veröffentlicht: (2026)

Data Balancing Strategies: A Systematic Survey of Resampling and Augmentation Methods
von: Yousefimehr, Behnam, et al.
Veröffentlicht: (2025)

Multi-modal Synthetic Data Training and Model Collapse: Insights from VLMs and Diffusion Models
von: Hu, Zizhao, et al.
Veröffentlicht: (2025)

Maximizing the Potential of Synthetic Data: Insights from Random Matrix Theory
von: Firdoussi, Aymane El, et al.
Veröffentlicht: (2024)

The Limits of Inference Scaling Through Resampling
von: Stroebl, Benedikt, et al.
Veröffentlicht: (2024)

Decoupled Prioritized Resampling for Offline RL
von: Yue, Yang, et al.
Veröffentlicht: (2023)

A Deep Dive into Scaling RL for Code Generation with Synthetic Data and Curricula
von: Sancaktar, Cansu, et al.
Veröffentlicht: (2026)

Learning To Play Atari Games Using Dueling Q-Learning and Hebbian Plasticity
von: Salehin, Md Ashfaq
Veröffentlicht: (2024)

Generative Models for Synthetic Data: Transforming Data Mining in the GenAI Era
von: Li, Dawei, et al.
Veröffentlicht: (2025)

Binary Gaussian Copula Synthesis: A Novel Data Augmentation Technique to Advance ML-based Clinical Decision Support Systems for Early Prediction of Dialysis Among CKD Patients
von: Khosravi, Hamed, et al.
Veröffentlicht: (2024)

ART: Adaptive Resampling-based Training for Imbalanced Classification
von: Basandrai, Arjun, et al.
Veröffentlicht: (2025)

Deep Dense Exploration for LLM Reinforcement Learning via Pivot-Driven Resampling
von: Guo, Yiran, et al.
Veröffentlicht: (2026)

Synthetic Series-Symbol Data Generation for Time Series Foundation Models
von: Wang, Wenxuan, et al.
Veröffentlicht: (2025)

Generating Synthetic Net Load Data with Physics-informed Diffusion Model
von: Zhang, Shaorong, et al.
Veröffentlicht: (2024)

Representations Shape Weak-to-Strong Generalization: Theoretical Insights and Empirical Predictions
von: Xue, Yihao, et al.
Veröffentlicht: (2025)

Leveraging Influence Functions for Resampling Data in Physics-Informed Neural Networks
von: Naujoks, Jonas R., et al.
Veröffentlicht: (2025)

Curated Synthetic Data Doesn't Have to Collapse: A Theoretical Study of Generative Retraining with Pluralistic Preferences
von: Falahati, Ali, et al.
Veröffentlicht: (2026)

Synthetic Data Generation for Augmenting Small Samples
von: Liu, Dan, et al.
Veröffentlicht: (2025)

mldr.resampling: Efficient Reference Implementations of Multilabel Resampling Algorithms
von: Rivera, Antonio J., et al.
Veröffentlicht: (2023)

Deep Learning Through A Telescoping Lens: A Simple Model Provides Empirical Insights On Grokking, Gradient Boosting & Beyond
von: Jeffares, Alan, et al.
Veröffentlicht: (2024)

When Privacy Isn't Synthetic: Hidden Data Leakage in Generative AI Models
von: Mustaqim, S. M., et al.
Veröffentlicht: (2025)

SurvDiff: A Diffusion Model for Generating Synthetic Data in Survival Analysis
von: Brockschmidt, Marie, et al.
Veröffentlicht: (2025)

Empirical and Experimental Insights into Data Mining Techniques for Crime Prediction: A Comprehensive Survey
von: Taha, Kamal
Veröffentlicht: (2024)

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

Generating High-quality Privacy-preserving Synthetic Data
von: Yavo, David, et al.
Veröffentlicht: (2026)

Fill In The Gaps: Model Calibration and Generalization with Synthetic Data
von: Ba, Yang, et al.
Veröffentlicht: (2024)

Generating Synthetic Relational Tabular Data via Structural Causal Models
von: Hoppe, Frederik, et al.
Veröffentlicht: (2025)

Statistical Guarantees in Synthetic Data through Conformal Adversarial Generation
von: Vishwakarma, Rahul, et al.
Veröffentlicht: (2025)

Auditing and Generating Synthetic Data with Controllable Trust Trade-offs
von: Belgodere, Brian, et al.
Veröffentlicht: (2023)

Enhancing Table Representations with LLM-powered Synthetic Data Generation
von: Yang, Dayu, et al.
Veröffentlicht: (2024)

Synthetic Power Flow Data Generation Using Physics-Informed Denoising Diffusion Probabilistic Models
von: Wang, Junfei, et al.
Veröffentlicht: (2025)

Generative Correlation Manifolds: Generating Synthetic Data with Preserved Higher-Order Correlations
von: d'Hondt, Jens E., et al.
Veröffentlicht: (2025)

Towards Data-Centric AI: A Comprehensive Survey of Traditional, Reinforcement, and Generative Approaches for Tabular Data Transformation
von: Wang, Dongjie, et al.
Veröffentlicht: (2025)

Enhancing Metabolic Syndrome Prediction with Hybrid Data Balancing and Counterfactuals
von: Shah, Sanyam Paresh, et al.
Veröffentlicht: (2025)