Actieve Tabulaire Augmentatie via Policy-Gestuurde Diffusie-Inpainting

Samenvatting

Generatieve tabelaugmentatie is aantrekkelijk in domeinen met schaarse gegevens, maar de heersende nadruk op distributionele getrouwheid leidt niet betrouwbaar tot betere stroomafwaartse modellen. We formaliseren een getrouwheid-nutskloof: gangbare generatieve doelstellingen geven prioriteit aan distributionele plausibiliteit, terwijl augmentatie alleen slaagt wanneer ingebrachte monsters het evaluatieverlies op de weggelaten data van de huidige lerende verlagen. Deze kloof motiveert het leren van niet alleen hoe te genereren, maar ook wat te genereren en wanneer in te brengen naarmate de training vordert. We stellen TAP (Tabular Augmentation Policy) voor, dat diffusie-inpainting koppelt aan een lichtgewicht, op de leerder geconditioneerd beleid om generatie naar hoog-nuttige regio's te sturen en veilige injectie controleert via expliciete poortschakeling en conservatief venstergebonden commitment. Onder ernstige gegevensschaarste presteert TAP consequent beter dan sterke generatieve baselines op zeven real-world datasets, met een verbetering van de classificatienauwkeurigheid tot 15,6 procentpunt en een vermindering van de regressie-RMSE tot 32%.

English

Generative tabular augmentation is appealing in data-scarce domains, yet the prevailing focus on distributional fidelity does not reliably translate into better downstream models. We formalize a fidelity-utility gap: common generative objectives prioritize distributional plausibility, whereas augmentation succeeds only when injected samples reduce the current learner's held-out evaluation loss. This gap motivates learning not just how to generate, but what to generate and when to inject as training evolves. We propose TAP (Tabular Augmentation Policy), which couples diffusion inpainting with a lightweight, learner-conditioned policy to steer generation toward high-utility regions and controls safe injection via explicit gating and conservative windowed commitment. Under severe data scarcity, TAP consistently outperforms strong generative baselines on seven real-world datasets, improving classification accuracy by up to 15.6 percentage points and reducing regression RMSE by up to 32%.