摘要

表格数据是历史最悠久且应用最广泛的數據形式之一。然而，如何生成在原始數據特徵上保持一致的合成樣本，仍是表格數據生成領域面臨的重大挑戰。儘管來自計算機視覺領域的多種生成模型（如變分自編碼器或生成對抗網絡）已被適應用於表格數據生成，但針對近年興起的基於變壓器（Transformer）的大型語言模型（LLM）的研究仍相對有限。值得注意的是，這些大型語言模型本身也具有生成能力。為此，我們提出了 GReaT（Realistic Tabular Data Generation，真實表格數據生成）方法，該方法利用自回歸生成式大型語言模型，能夠生成既具有高度真實性又符合原始數據分布的合成表格數據。此外，GReaT 支持通過對任意特徵子集進行條件建模來捕捉表格數據的分佈，其餘特徵可在不增加額外計算開銷的情況下進行採樣。我們通過一系列實驗，從多個角度量化評估了所提方法生成數據的真實性與質量。實驗結果表明，GReaT 在多個真實世界與合成數據集上，無論是特徵類型多樣性還是數據規模差異，均能保持當前最優的性能表現。