基于潜空间得分扩散的混合类型表格数据合成

基于摘要分析。本文研究连续、离散等混合类型表格数据的合成问题，提出 TabSyn：先用变分自编码器（VAE）构建统一潜空间，再在其中训练基于得分的扩散模型，以应对不同列分布复杂、数据类型不一致及列间依赖建模的困难。 机制上，作者强调将多种数据类型映射到统一表示并显式捕获列间关系，同时优化潜在嵌入的分布，使其更适于后续扩散训练。作者报告，相比已有扩散式表格生成方法，TabSyn 所需反向采样步数更少、合成速度更快；摘要未提供具体步数、运行时间或硬件条件，潜空间优化的具体目标及训练细节尚未验证。 作者报告，在六个数据集、五项指标的实验中，TabSyn 优于已有方法；相较最具竞争力的基线，逐列分布估计和两两列相关性估计的误差率分别降低 86% 和 67%。这些数值是相应误差率的相对降幅，不是准确率或百分点提升。摘要未列出数据集名称、基线身份、划分及指标定义，实验协议、消融及统计信息尚未验证。摘要提供了代码地址，但实现及复现条件尚未核验。 平台推测（待验证）：若 EEG 研究对象是试次级特征与被试协变量构成的混合类型表格，而非原始多通道时序，统一潜空间与列间依赖建模可能可用于特征级合成。可复用的是 VAE 与潜空间扩散框架，需改造特征编码及条件设置；其依赖足量、具有代表性的表格记录，小样本、低信噪比和跨被试分布差异可能使生成器复现噪声或被试特异偏差。一个可检验的小实验是在固定跨被试划分下，仅用训练被试拟合生成器，比较加入合成特征前后的真实留出被试任务表现，并检查列分布与相关结构是否保留。该假设不涉及原始 EEG 时序生成，已有 EEG 相关工作尚未检索确认。