TabGift：面向表格数据生成的上下文高效基础模型

基于摘要分析。TabGift 研究如何从少量观测中生成符合目标分布的表格样本，提出以预训练表格编码器、上下文扩散模型和数据集专属解码器组成的生成框架，旨在缓解表格基础模型依赖较大上下文集与数据稀缺场景之间的矛盾。其主要研究对象是异构表格数据，而非 EEG 或 BCI 信号。 机制上，预训练表格编码器将异构表格映射到共享潜空间；上下文扩散模型以少量干净样本为条件，对潜空间样本进行去噪；轻量、数据集专属的 MLP 解码器再将生成表示映射回原始数据空间。作者将这一设计用于跨数据集迁移生成先验，并从有限上下文推断目标分布。摘要未提供编码器预训练数据、扩散损失、上下文采样方式或解码器适配所需数据量，这些信息尚未验证。 作者报告，在 7 个分类数据集和 11 个回归数据集的实验中，TabGift 的合成数据质量持续优于代表性基线，有限上下文条件下优势尤其明显，且适配与生成速度更快。摘要未列出数据集名称、划分、基线、质量指标、具体上下文规模和计时条件，因此不能量化收益或直接比较不同协议；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务使用固定维度的试次级特征表，有限上下文生成机制可能用于检验小数据条件下的特征增强；这不等同于生成原始 EEG 波形。可复用潜空间条件生成思路，但需验证编码器对 EEG 特征的适配，并核对类别条件及被试、通道差异的表示方式。低信噪比、小样本和跨被试分布偏移可能导致生成伪结构或削弱类别可分性。一个可证伪的小实验是在固定 Cross-subject 划分中，仅用训练被试的少量特征样本适配并生成数据，与不增强及简单重采样比较，使用未参与适配的测试被试评估同一分类指标。相关 EEG 工作尚未检索确认。