PulseAugur
中
实时 11:37:15
English(EN) Synthesizing real-world distributions from high-dimensional Gaussian Noise with Fully Connected Neural Network

新方法从高斯噪声合成真实世界数据

作者 PulseAugur 编辑部 · [1 个来源] ·

一篇新论文提出了一种使用全连接神经网络生成合成数据的有效方法。该方法将高维高斯噪声转换为近似真实世界表格数据集的分布。该方法包括数据预处理、用于降维和隐私增强的主成分分析，以及基于 Wasserstein 距离的新型随机损失函数。在 25 个数据集上的实验表明，该方法在实现具有竞争力的相似度和隐私分数的同时，速度也显著快于现有的深度学习解决方案。 AI

影响 该方法可以加速表格数据集的合成数据生成，提高机器学习应用的隐私性和性能。

排序理由 该集群包含一篇研究论文，详细介绍了一种新的合成数据生成方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新方法从高斯噪声合成真实世界数据

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Joanna Komorniczak ·

    使用全连接神经网络从高维高斯噪声合成真实世界分布

    arXiv:2604.09091v2 Announce Type: replace Abstract: The use of synthetic data in machine learning applications and research offers many benefits, including performance improvements through data augmentation and privacy preservation of original samples. This work proposes an effic…

相关实体

相关话题