跳到主要内容
返回时间线

表格合成数据不再只对齐边缘分布:TabSCM把因果图拆成逐变量方程,训练比纯扩散模型快583倍

核心概要

TabSCM把表格数据的生成过程写成结构因果模型:先由因果发现算法给出部分有向无环图,再定向为DAG,按拓扑序为每个变量学习一个只依赖其父节点的条件模型,连续变量用条件扩散、类别变量用梯度提升树。在覆盖医疗、金融、住房、环境的七个公开数据集上,它在统计保真度、下游效用和隐私风险上与GAN、扩散和LLM基线持平或更好,同时降低规则违例率,并比纯扩散模型最多快583倍。

Source-provided article image: TabSCM: A Practical Framework for Generating Realistic Tabular Data
Fig. 1 · 第 2 页

深度剖析

表格合成数据的评价长期集中在边缘分布、成对相关和下游任务表现,这些指标不检查生成样本是否保留变量之间的因果关系,下游模型因此可能学到虚假关联。 此前的TabDDPM、TabSyn、TabDiff和GReaT等生成器以统计保真度或效用为目标,不显式约束因果结构。 在七个公开数据集上,TabSCM在统计保真度、下游效用和隐私风险三项上与GAN、扩散和LLM基线持平或更好,并在四项合理性检查中的三项上比纯扩散模型违例率更低。

生成过程被拆成每个变量一个方程,每个方程只以该变量的因果父节点为条件,因此可以单独检查、单独施加干预。 整体式扩散或Transformer生成器把联合分布当作一个不可分的模型来学,无法定位单个机制。 在California Housing上,用真实训练集和等量TabSCM合成训练集分别训练同一个梯度提升回归器,两者在同一批真实测试样本上的SHAP归因高度一致;对MedHousVal和Latitude两个条件模型的平均绝对SHAP值也与领域直觉相符。

按拓扑序逐变量采样使生成记录在构造上满足已知约束,并支持精确的反事实查询。 现有最先进模型常生成违反已知约束的域外条目,在信用、医疗等高风险场景中限制可用性。 在Adult、Housing和Loan三个数据集上做四项合理性检查,TabSCM在其中三项的违例率低于纯扩散模型;在California经纬度边界数据上,真实训练数据本身的违例率为2.24%。

启示与展望

演示范围是七个公开表格数据集,覆盖分类与回归、样本量从不足一千到超过二十五万,任务涉及收入预测、糖尿病风险、信用违约、贷款、伽马射线事件分类、PM2.5浓度和房价;方法假设因果充分性,即不存在未观测混杂,且数据生成过程马尔可夫且忠实于某个DAG。

相关误差的质量与所选因果发现算法绑定,去掉模块化分解反而可能在平均相关误差上更低;反事实解释只做了初步分析,作者把更深入的分析与扩展留作未来工作;扩散步数与训练轮数在密度误差和相关误差之间存在此消彼长。