归一化流在表格数据生成中的应用-徐泽豪.pdfVIP

BeijingForestStudio

ThenameoftheDepartment

北京理工大学信息系统及安全对抗实验中心

部门名称

归一化流在表格数据生成中的应用

硕士研究生徐泽豪

2024年04月06日

问题回溯

•总结反思

–PPT部分内容制作不严谨，未介绍前沿算法

–详略不得当，基础知识部分占比过多

–算法讲解部分未标注符号含义

•相关内容

–2023.04.16万韵伟：《扩散模型加速采样方法与应用》

–2023.08.14徐泽豪：《表格数据生成：GAN的演进与未来》

–2023.11.06吴肖龙：《智能模型的不确定性估计》

–2024.01.07段学明：《DNN中的理论可解释性》

2

内容提要

•预期收获

•题目内涵解析

•研究背景与意义

•研究历史与现状

•知识基础

•算法原理

–DP-Hflow

–CeFlow

•特点总结与工作展望

•参考文献

3

预期收获

•预期收获

–1.理解归一化流模型的基本概念

–2.理解归一化流模型在表格数据生成相关任务中的基本应用

–3.了解归一化流模型的前沿发展

4

目标内涵

•研究目标

–以表格数据为研究对象，面向隐私保护/反事实解释任务

–结合归一化流、变分去量化、条件流高斯混合模型技术

–探讨归一化流如何提高表格数据概率建模相关应用的准确性

•内涵解析

–表格数据：以行和列的形式存储的结构化数据，每列代表一维属性，每行代表一

条数据样本

–归一化流：利用一系列可逆变换将简单分布映射为复杂数据分布的生成模型，具

有精确计算概率密度的能力

–概率建模：精确捕获和表达数据的复杂分布特性，为后续的数据生成、分析和预

测等下游任务建立基础

5

背景意义

•研究背景

–表格数据在商业智能、医疗健康、金融分析等领域广泛应用

–这些领域的复杂数据分布特性对概率建模提出了挑战

•研究意义

–通过精准映射简单分布至复杂分布，对于理解和模拟真实数据复杂性，改进数据

生成质量、增强模型解释性具有重要作用

–直接使用真实表格数据进行研究或商业分析面临隐私泄露风险，需要在不泄露个

人隐私的前提下利用敏感数据

–现有的机器学习模型缺乏足够的透明度和解释性，为表格数据生成反事实样本有

助于揭示模型决策背后的因果关系，具有重要的实用价值

6

研究历史

Rezende等人通过将简单Grover等人提出了Flow-Izmailov等人提出半监督学Lee等人通过结合差分隐私和

的初始密度通过一系列可GAN，结合最大似然和对习方法FlowGMM，融合归归一化流模型提出了一种表格

逆变换转换成更复杂的