幾何感知表列擴散論文發布

研究論文在arXiv上發表，提出幾何感知表列擴散（GATD）模型，以改善隱私保護下的表列數據合成。傳統擴散模型依賴隱式機制來捕捉列間關係，而GATD通過計算列值差異的成對角度和長度，將這些幾何特徵作為輸入和輔助目標，增強去噪器。在多個基準測試中，GATD的MLP實例化版本達到了最先進性能，平均使用少3.5倍參數，在分類任務中最多可減少25倍。具體而言，在十個數據集上，它在形狀、趨勢和下游效用指標上分別贏得8/10、7/10和9/10的勝率，錯誤減少達27%和20%。此外，默認的損失權重可直接應用於GNN和Transformer去噪器，在30個架構-數據集組合中分別改善了27/30和25/30的形狀和趨勢。消融實驗表明，監督而非額外輸入或容量驅動了性能提升。這項研究顯示，顯式關係監督是表列擴散模型的可移植歸納偏置。