Generating and Imputing Tabular Data via Diffusion and Flow-based Gradient-Boosted Trees

要約

表形式のデータは取得が難しく、欠損値が発生する可能性があります。
この論文では、スコアベースの拡散と条件付きフロー マッチングを使用して、混合タイプ (連続的およびカテゴリカル) の表形式データを生成および入力するための新しいアプローチを提案します。
関数近似器としてニューラル ネットワークに依存する以前の研究とは対照的に、代わりに、人気のある勾配ブースト ツリー (GBT) メソッドである XGBoost を利用します。
エレガントであることに加えて、私たちの方法は、i) トレーニング データセットがクリーンであるか欠損データによって汚染されている場合に、非常に現実的な合成データを生成し、ii) 多様で妥当なデータ代入を生成することを、さまざまなデータセットで経験的に示しています。
私たちの方法は多くの場合、ディープラーニング生成方法よりも優れており、GPU を必要とせずに CPU を使用して並列トレーニングできます。
簡単にアクセスできるようにするために、PyPI の Python ライブラリと CRAN の R パッケージを通じてコードをリリースします。

要約(オリジナル)

Tabular data is hard to acquire and is subject to missing values. This paper proposes a novel approach to generate and impute mixed-type (continuous and categorical) tabular data using score-based diffusion and conditional flow matching. Contrary to previous work that relies on neural networks as function approximators, we instead utilize XGBoost, a popular Gradient-Boosted Tree (GBT) method. In addition to being elegant, we empirically show on various datasets that our method i) generates highly realistic synthetic data when the training dataset is either clean or tainted by missing data and ii) generates diverse plausible data imputations. Our method often outperforms deep-learning generation methods and can trained in parallel using CPUs without the need for a GPU. To make it easily accessible, we release our code through a Python library on PyPI and an R package on CRAN.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google