因果惩罚扩散模型用于合成表格数据
Get the story
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。
Generated from reports · updated 3 hr ago
Timeline
Follow the coverage from different angles.
- arXiv · Statistics Machine LearningBeyond Distributional Fidelity：面向合成表格数据的因果惩罚扩散模型
论文提出因果保真度感知训练框架，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。框架实例化为因果惩罚 TabDDPM，并使用 on-policy score-function 估计器优化。理论结果表明高统计保真度通常不意味着高因果保真度，实验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的平衡。
Heat trend
Current heat 9·Comparable peak 10（Oct 9）·Comparable change over 24 hours –
The trend compares only the same participants observed continuously; its range may be smaller than the current heat count. Move or click on the chart to inspect hourly heat; use the left and right arrow keys to switch.