CTGAN
PulseAugur coverage of CTGAN — every cluster mentioning CTGAN across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新框架使用扩散模型为5G系统合成真实的网络物理攻击
研究人员开发了Diff-DDoS，一个旨在提高5G赋能系统网络物理攻击检测能力的新框架。该框架利用表格扩散模型合成真实的攻击数据，解决了标记攻击样本稀缺的问题。通过采用对抗性扩散训练（ADT），Diff-DDoS旨在提高入侵检测器对自适应对手的鲁棒性，在各种攻击场景下与现有方法相比，F1分数有了显著提高。
-
量子生成模型TabularQGAN解决了异构表格数据合成问题
研究人员开发了TabularQGAN，这是一种新颖的量子生成模型，旨在合成表格数据，填补了现有量子模型通常仅限于同构数据的空白。这种新架构利用灵活的数据编码和独特的量子电路ansatz，有效地模拟了医疗保健和金融等行业常见的异构表格数据集。在MIMIC-III医疗保健和Adult Census数据集上的初步测试表明，TabularQGAN在与CTGAN和CopulaGAN等领先的经典模型相比时，取得了有竞争力的性能，甚至在某些相似性指…
-
新框架利用生成式AI增强航班改航预测
研究人员开发了一个新颖的框架，以解决航空记录中航班改航数据稀缺的问题，这阻碍了预测性机器学习模型的训练。所提出的解决方案采用生成式增强方法，利用多目标优化框架来调整 TVAE、CTGAN 和 CopulaGAN 等深度生成模型。该框架将真实性、统计相似性、保真度和预测效用整合为单一分数，以指导超参数搜索，最终提高改航预测模型的性能。
-
PolicySynth 框架提升了用于战役决策支持的合成数据的可信度
研究人员推出 PolicySynth，一个旨在提高用于决策支持系统中的合成数据可信度的新框架。该框架弥合了分布相似性和决策一致性之间的差距，确保合成数据能够像真实数据一样导致相同的战役决策。PolicySynth 实现了高策略模拟保真度 (SSF) 分数，与 CTGAN 等现有方法相比，其方差和稳定性显著更小，使其推荐在筛选营销活动方面更加可靠。
-
新AI框架增强法证网络入侵检测能力
研究人员开发了一个新颖的入侵检测框架，该框架优先考虑法证可辩护性和可复现性。该系统利用CTGAN生成的合成网络流量数据，使用XGBoost进行训练，并采用SHAP TreeExplainer进行实例级解释。该方法确保原始证据保持不变，符合ISO/IEC标准和NIST指南。在CICIDS2017等数据集上的评估显示，F1-macro得分很高，与真实数据基线相当，同时保持了合成数据的隐私性，并准确映射了用于法证报告的攻击指纹。
-
新的融合分析方法提高了信用卡欺诈检测能力
研究人员探索了组合融合分析（CFA）以改进信用卡欺诈检测，特别是在不平衡数据集方面。他们对IEEE-CIS欺诈检测基准数据集的研究发现，CFA通过选择和加权随机森林（Random Forest）、XGBoost和LightGBM等多样化分类器的子集，可以提高AUC-ROC、AUPRC和F1分数等性能指标。分析还表明，使用CTGAN的合成数据增强并未提高结果，反而可能降低模型性能。
-
新框架通过混合数据增强提升偏头痛分类能力
研究人员开发了一个新颖的数据增强框架，以解决偏头痛分类任务中严重的类别不平衡问题。该方法纠正了先前的方法论缺陷，并引入了一种基于每类样本量分配生成方法的混合策略。对包含400名患者的数据集进行的实验表明，所提出的框架显著提高了分类性能，使用FT-Transformer模型达到了0.914的峰值宏F1分数。
-
机器学习模型因数据偏移导致能见度预测困难
研究人员开发了一个机器学习框架，用于预测韩国六个城市的空气能见度，解决了数据不平衡和分布偏移等挑战。该研究采用了SMOTENC和CTGAN等技术来处理数据不平衡，并使用机器学习和深度学习模型的集成进行预测。与交叉验证相比，测试集上的性能显著下降，突显了时间分布偏移的影响，该影响使用Wasserstein距离进行了量化。
-
蒸馏将TFM性能迁移到更快、更小的健康数据模型
研究人员开发了一种方法，可以将大型、计算成本高昂的表格基础模型（TFM）的知识蒸馏到更小、更快的结构化健康数据模型中。该技术在19个医疗保健数据集上进行了测试，使蒸馏模型在保持关键校准和公平性的同时，能够保留原始模型90%以上的预测准确性，并且运行速度显著加快。研究还发现，平均多个教师模型的预测并不总是优于最佳的单个教师模型，这表明在资源受限的医疗环境中部署TFM质量的见解可以采取更精简的方法。此外，一个名为Memisis的新工具已被…
-
AI框架AIMEN通过可解释的洞察力增强新生儿健康预测
研究人员开发了一个名为AIMEN的深度学习框架，用于预测新生儿健康中的不良分娩结局。该系统不仅预测高风险分娩，还通过展示输入因素的变化如何改变结果来解释其预测。AIMEN利用CTGAN等数据增强技术来处理类别不平衡和样本量有限的问题，其平均F1分数达到0.784，优于现有模型。该框架生成可操作的反事实解释，通常只需要两到三个属性修改。