超越分布保真度：用于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
精选理由
将因果保真度纳入扩散模型训练，提升合成表格数据因果效应分析的可靠性。
AI 摘要
arXiv:2610.11407v1 公告类型：cross 摘要：合成表格数据生成器通常针对分布保真度进行优化，但仅有统计相似性并不能保证因果效应得到保留。本文研究了如何在完全生成式的表格模型中直接提升因果保真度。我们将因果保真度定义为：对于给定的目标估计量，从真实数据和合成数据中获得的推断分布之间的差异；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。随后，我们提出一种因果保真度感知的训练框架，在生成目标中加入因果差异惩罚项。该框架通过因果惩罚的 TabDDPM 加以实现，并使用在策略得分函数估计量进行优化。我们进一步建立了因果正则化能够提升期望因果保真度的条件。在多种处理效应模拟实验和两个基准数据集上的实验，评估了我们的方法在保持具有竞争力的统计保真度的同时提升因果保真度的能力。