因果惩罚扩散模型用于合成表格数据

2026年10月9日，arXiv Statistics Machine Learning 发布论文《Beyond Distributional Fidelity：面向合成表格数据的因果保真度》，提出一套因果保真度感知训练框架。该框架在生成目标中加入因果差异惩罚，以改进合成表格数据的因果保真度，并实例化为因果惩罚 TabDDPM，使用 on-policy score-function 估计器进行优化。理论结果表明，高统计保真度通常并不意味着高因果保真度。论文在治疗效应模拟与两个基准数据集上评估了因果保真度提升与统计保真度之间的平衡。这是目前该事件的唯一报道，尚未见后续验证或同行评议信息。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。