要旨: 表形式データの生成は、特徴が多様で、サンプル数が大幅に少ないため、テキストや画像の生成よりも難しい。本課題では、拡散ベースのモデルが現時点での最先端（SotA）モデル群であり、一般に用いられるベンチマークでほぼ完璧な性能を達成している。本論文では、表形式データ生成における「進歩」の捉え方に疑問を投げかける。まず、生成データの忠実度（fidelity）を評価するための現行プロトコルの限界を示し、代替となるものを提案する。次に、単純なベースラインである—深層確率回路（PC）という形の階層的ミクスチャモデルを—見直し、SotAモデルと比べてコストの一部で、競争力のある、あるいはそれを上回る性能を提供できることを示す。PCは意思決定木の生成側の対応物であり、そのため多様なデータをネイティブに扱えるだけでなく、計算可能な確率的生成と推論も提供できる。最後に、厳密な実証的分析により、SotAモデルにおける進歩の見かけ上の飽和は、不適切な指標の使用が主因であることを示す。したがって、現実的な表形式データを生成するためには、まだやるべきことが多いことを強調する。コードは https://github.com/april-tools/tabpc で利用可能。
確率論的回路によるタブラーデータ生成を見つめ直す、身を引き締める考察
arXiv cs.LG / 2026/3/25
💬 オピニオンIdeas & Deep AnalysisModels & Research
要点
- 本論文は、タブラーデータ生成はテキスト/画像よりも難しいと主張し、さらに現行のベンチマーク評価プロトコルが生成品質における実際の進歩を過大評価している可能性があると述べている。
- 完全性（fidelity）を評価するために一般的に用いられる指標を批判し、SOTAにおける報告される「飽和」が、真の収束というよりは不十分な計測に大きく起因しているのではないか、という見解を示す。
- 著者らは、競争力のあるベースラインとして深い確率論的回路（階層的混合モデル）を再検討し、拡散ベースのSOTAと同等、またはそれを上回りつつ、計算コストを大幅に抑えられると主張する。
- 確率論的回路は、意思決定木の生成版として位置づけられており、異種のタブラー特徴をネイティブに扱えること、そして生成・推論を計算可能（tractable）に支えることが示される。
- 本研究には厳密な実証分析が含まれており、参照するGitHubリポジトリを通じて手法のコードも提供している。
