TabMosaic：面向表格生成任务的统一上下文扩散模型

基于摘要分析。该研究面向表格数据合成、缺失值恢复与条件生成，将这些任务统一为：给定未见表格中的已观测单元格，对任意目标单元格集合的联合条件分布建模。作者提出 TabMosaic，通过上下文扩散生成混合类型的目标单元格，旨在无需针对每张表单独训练，并支持可能不完整的输入表格。 核心机制是对全部目标单元格联合定义扩散去噪目标，而非逐个预测单元格。作者指出，在预训练分布下，该目标由目标集合的后验预测分布最小化；并进一步给出预训练目标对条件负对数似然及相对后验预测分布散度的界限，将上下文学习的贝叶斯解释从单值预测扩展至多单元格联合生成。相关理论的具体假设、界限形式及适用条件尚未验证。 作者报告，在48张真实世界表格上，与20种基线方法比较，TabMosaic在所有被评估的生成任务中均排名第一。摘要未提供任务清单、具体指标、排名汇总方式、表格划分或预训练与评估数据关系，因此该结果不能解释为所有数据集和指标上均逐项领先。实验协议、消融及统计信息尚未验证；预训练数据结构与规模、混合类型变量的表示方式、推理成本及代码可用性也尚未验证。 平台推测（待验证）：若 EEG 研究数据已整理为“样本×特征”的混合类型表格，其任意目标集合条件生成机制可能用于多特征联合插补，而非直接替代原始 EEG 时序建模。可考察复用联合条件生成机制，并改造特征表示、观测掩码及被试信息处理；低信噪比、跨被试分布差异、通道配置变化和小样本均可能使预训练分布不适用。一个可证伪的小实验是在严格隔离被试的 EEG 特征表上遮蔽特征块，与简单插补及逐特征方法比较插补误差和下游解码表现。上述仅为迁移假设，已有 EEG 相关工作尚未检索确认。