RecTable: 정류 흐름을 활용한 테이블 데이터의 빠른 모델링

RecTable: Fast Modeling Tabular Data with Rectified Flow

March 26, 2025

저자: Masane Fuchi, Tomohiro Takagi

cs.AI

초록

스코어 기반 또는 확산 모델은 GAN 기반 및 VAE 기반 모델을 능가하는 고품질의 테이블 데이터를 생성합니다. 그러나 이러한 방법은 상당한 학습 시간을 요구합니다. 본 논문에서는 텍스트-이미지 생성 및 텍스트-비디오 생성과 같은 분야에 적용된 정류 흐름 모델링을 사용한 RecTable을 소개합니다. RecTable은 몇 개의 스택된 게이트 선형 유닛 블록으로 구성된 간단한 아키텍처를 특징으로 합니다. 또한, 우리의 학습 전략도 혼합형 노이즈 분포와 로짓-정규 시간 단계 분포를 포함하여 단순합니다. 우리의 실험 결과, RecTable은 여러 최신 확산 및 스코어 기반 모델과 비교하여 경쟁력 있는 성능을 달성하면서도 필요한 학습 시간을 줄이는 것을 보여줍니다. 우리의 코드는 https://github.com/fmp453/rectable에서 확인할 수 있습니다.

English

Score-based or diffusion models generate high-quality tabular data, surpassing GAN-based and VAE-based models. However, these methods require substantial training time. In this paper, we introduce RecTable, which uses the rectified flow modeling, applied in such as text-to-image generation and text-to-video generation. RecTable features a simple architecture consisting of a few stacked gated linear unit blocks. Additionally, our training strategies are also simple, incorporating a mixed-type noise distribution and a logit-normal timestep distribution. Our experiments demonstrate that RecTable achieves competitive performance compared to the several state-of-the-art diffusion and score-based models while reducing the required training time. Our code is available at https://github.com/fmp453/rectable.