【论文阅读】(CTGAN)Modeling Tabular data using Conditional GAN

news2024/11/26 1:29:49

论文地址：[1907.00503] Modeling Tabular data using Conditional GAN (arxiv.org)

摘要

对表格数据中行的概率分布进行建模并生成真实的合成数据是一项非常重要的任务，有着许多挑战。本文设计了CTGAN，使用条件生成器解决挑战。为了帮助进行公平和彻底的比较建模这类数据的方法，本文设计了一个基准测试，包括7个模拟数据集和8个真实数据集，以及几个贝叶斯网络基线。CTGAN在大多数真实数据集上都优于贝叶斯方法，而其他深度学习方法则不然。

1、介绍

GAN在建模分布方面比其统计对应方法具有更大的灵活性。新的GAN方法的激增需要一个评估机制。

为了评估这些GAN，本文使用了一组真实的数据集来建立一个基准系统，并实现了三种最新的技术。
为了进行比较，本文使用贝叶斯网络创建了两种基准方法。

在使用模拟数据集和真实数据集对这些模型进行测试后，我们发现，表格数据建模对GAN提出了独特的挑战，导致它们在许多指标上无法达到基线方法，如合成生成数据的可能性适合度和机器学习效率。这些挑战包括：

需要同时对离散列和连续列进行建模
每个连续列中的多模态非高斯值
类别列的严重不平衡问题。

为了应对这些挑战，在本文中提出了条件表格GAN（CTGAN）。引入了几种新技术方法：

通过针对模式的归一化、架构更改来增强训练过程。
通过使用条件生成器和采样训练来解决数据不平衡问题。

当使用有基准测试的相同数据集时，CTGAN的性能明显优于贝叶斯网络基线和其他测试的GAN。如下图所示。

论文的贡献如下：

一个用于合成表格数据生成的条件GAN。本文建议CTGAN作为一个合成表格数据生成器由于以下几点：

- CTGAN比迄今为止的所有方法都要好，在至少87.5%的数据集上超过了贝叶斯网络。

- 为了进一步挑战CTGAN，采用变分自动编码器（VAE）来生成混合类型的表格数据，称之为TVAE。VAE直接使用数据构建生成器；即使有这样的优势，CTGAN在许多数据集上都实现了有竞争力的性能，并且在3个数据集上优于TVAE。

一个合成数据生成算法的基准测试系统。使用多个表格数据集和不同的评估指标，以及多个基线和最先进方法的实现，设计了一个全面的基准框架。同时系统是开源的，可以用其他方法和额外的数据集进行扩展。在撰写本文时，基准有5种深度学习方法、2种贝叶斯网络方法、15个数据集和2种评估机制。

2、相关工作

在过去的十年中，合成数据是通过将表格中的每一列视为随机变量，对联合多元概率分布进行建模，然后从该分布中进行采样而生成的。

一组离散变量可能使用决策树和贝叶斯网络建模。
空间数据可以用空间分解树建模。
一组非线性相关的连续变量可以使用copulas建模。

这些模型受到分布类型和计算问题的限制，严重限制了合成数据的理想性。

由于在表示数据时提供的性能和灵活性，使用VAE和GANs及其众多扩展开发生成模型非常有吸引力。GANs还用于生成表格数据，尤其是医疗记录。例如

使用GANs生成连续的时间序列医疗记录
使用GANs生成离散的表格数据。
medGAN将自动编码器和GAN结合起来，生成异构的非时间序列连续和/或二进制数据。
ehrGAN生成增强的医疗记录。
tableGAN试图解决使用卷积神经网络生成合成数据的问题，该网络优化了标签列的质量；因此，生成的数据可用于训练分类器。
PATE-GAN生成不同的私有合成数据。

3、表格数据生成任务中的GANs挑战

表格数据的几个独特特性对GAN模型的设计提出了挑战：

混合的数据类型：现实世界的表格数据由多种类型组成。为了同时生成离散列和连续列的混合，GANs必须将softmax和tanh都应用于输出。
非高斯分布：图像中，像素值遵循类高斯分布，可以使用最小-最大变换归一化为[−1，1]。tanh函数通常用于网络的最后一层，以输出该范围内的值。表格数据中的连续值通常是非高斯的，其中最小-最大变换将导致消失梯度问题。
多模式分布：本文使用核密度估计来估计列中的模式数。但是在8个真实数据集中，57/123连续列有多种模式。有论文表明原始GAN无法在一个简单的2D数据集上对所有模式进行建模。因此，它也很难对连续列的多模式分布进行建模。
从稀疏独热编码向量中学习：当生成合成样本时，使用softmax训练生成模型生成各个类别的概率分布，而真实数据则用独热向量表示。这是有问题的，因为鉴别器只会检查分布稀疏性而不会考虑样本整体的真实性。
高度不平衡的分类列：在数据集中，有636/1048个分类列是高度不平衡的，其中主类别出现在90%以上的行中。这会造成严重的模式崩溃。缺少一个次要类别只会导致数据分布发生微小变化，鉴别器很难检测到这些变化。不平衡的数据还导致小类别训练不足。