arXiv stat.ML· Lan Tao, Yongxian He, Shirong Xu, Yidong Ouyang, Guang Cheng·· 25 天前AI 评分35
超越分布保真度：面向合成表格数据的因果惩罚扩散模型
Beyond Distributional Fidelity: Causal-Penalized Diffusion for Synthetic Tabular Data
AI 导读
针对统计相似性无法保证因果效应的问题，研究提出面向合成表格数据的因果保真度感知训练框架，在生成目标中引入因果差异惩罚项以直接优化因果保真度。该框架具体基于 TabDDPM 并采用 on-policy 评分函数估计器进行优化。在多种处理效应模拟及两个基准数据集上的实验表明，该方法在保持竞争性统计保真度的同时有效提升了因果保真度。
来源：arXiv stat.ML · arxiv.org