TAP: 생성형 테이블 증강에서 충실도-유틸리티 간극을 메우는 정책

TUM 연구진이 제안한 TAP(Tabular Augmentation Policy)은 생성형 테이블 증강에서 분포 충실도만 높이면 하류 모델 성능이 향상된다는 기존 가정에 의문을 제기합니다. 충실도와 유틸리티 사이의 간극을 공식화하고, 확산 기반 인페인팅에 학습자 조건부 정책을 결합해 고효용 영역의 샘플을 생성하고 안전하게 주입합니다. 데이터가 극히 부족한 환경에서 7개 실제 데이터셋 기준 분류 정확도를 최대 15.6%p 개선하고 회귀 RMSE를 최대 32% 줄였습니다. 다만 정책 학습에 추가 계산이 필요하고, 생성된 샘플의 해석 가능성은 아직 검증되지 않았습니다.

• #tabular-data
• #data-augmentation
• #diffusion
• #generative-ai
• #tum