Indagine sui modelli di diffusione e flow matching per dati tabulari

Una nuova indagine pubblicata su arXiv esplora l'applicazione dei modelli di diffusione e flow matching alla generazione di dati tabulari. Mentre i modelli generativi profondi hanno eccelso nei domini di immagini, testo, audio e video, i dati tabulari rimangono impegnativi a causa di attributi numerici e categorici misti, valori mancanti, categorie sbilanciate e dipendenze complesse. I metodi precedenti che utilizzavano GAN o VAE soffrivano di training instabile e collasso della modalità. I modelli di diffusione, con il loro framework di aggiunta e rimozione del rumore, offrono un'alternativa flessibile e stabile per compiti come la sintesi tabulare, l'imputazione di valori mancanti e il rilevamento di anomalie. L'indagine copre gli adattamenti recenti e mette in luce il potenziale del flow matching come alternativa efficiente. Il paper è disponibile su arXiv:2502.17119.