AugMask：透過隨機增強和遮罩訓練不完整表格數據的擴散模型

研究論文提出AugMask，一個即插即用的訓練框架，旨在解決擴散模型在處理不完整表格數據時的挑戰。在人工智能領域，擴散模型已成為主要的深度生成模型，但應用於表格數據時，其骨幹網絡通常假設輸入完全指定，而現實世界的表格數據常包含缺失值，導致應用困難。AugMask通過將條件與監督分離來適應無缺失感知的骨幹網絡，具體包括兩個部分：一是使用輕量級輔助模型進行條件隨機增強來構建數值輸入；二是僅對觀察到的坐標應用去噪監督。在效果上，增強的缺失條目作為不確定的條件上下文，而非直接的訓練目標。論文進一步將此訓練規則連接到Rao-Blackwellized目標，並展示邊緣化缺失條目能產生方差加權的敏感度懲罰，從而避免模型過度依賴不確定的數據補全。實驗結果表明，在多樣化的數據集和各種缺失數據機制下，AugMask使標準基於擴散的表格生成器表現優於專門設計的缺失感知基線方法，展現了在生成模型領域的潛力。