Tabby: Síntese de Dados Tabulares com Modelos de Linguagem

Tabby: Tabular Data Synthesis with Language Models

March 4, 2025

Autores: Sonia Cromp, Satya Sai Srinath Namburi GNVV, Mohammed Alkhudhayri, Catherine Cao, Samuel Guo, Nicholas Roberts, Frederic Sala

cs.AI

Resumo

Embora os avanços em modelos de linguagem de grande escala (LLMs) tenham melhorado significativamente a qualidade dos dados textuais sintéticos nos últimos anos, a síntese de dados tabulares tem recebido relativamente menos atenção. Abordamos essa disparidade com o Tabby, uma modificação pós-treinamento simples, mas poderosa, na arquitetura padrão do modelo de linguagem Transformer, permitindo seu uso para a síntese de conjuntos de dados tabulares. O Tabby permite a representação de diferenças entre colunas usando uma Mistura Especializada de Especialistas (Gated Mixture-of-Experts), com conjuntos de parâmetros específicos para cada coluna. Empiricamente, o Tabby resulta em uma qualidade de dados próxima ou igual à dos dados reais. Ao combinar nossa nova técnica de treinamento de tabelas em LLM, chamada Plain, com o Tabby, observamos uma melhoria de até 44% na qualidade em relação a métodos anteriores. Também mostramos que o Tabby vai além de tabelas, aplicando-se a dados estruturados mais gerais, alcançando paridade com dados reais em um conjunto de dados JSON aninhado.

English

While advances in large language models (LLMs) have greatly improved the quality of synthetic text data in recent years, synthesizing tabular data has received relatively less attention. We address this disparity with Tabby, a simple but powerful post-training modification to the standard Transformer language model architecture, enabling its use for tabular dataset synthesis. Tabby enables the representation of differences across columns using Gated Mixture-of-Experts, with column-specific sets of parameters. Empirically, Tabby results in data quality near or equal to that of real data. By pairing our novel LLM table training technique, Plain, with Tabby, we observe up to a 44% improvement in quality over previous methods. We also show that Tabby extends beyond tables to more general structured data, reaching parity with real data on a nested JSON dataset as well.