プライバシー保護を伴うデータ共有やデータ拡張において、テーブルデータ合成は重要な技術となっている。しかし、現在の拡散モデルはテーブルの列間関係を暗黙的なメカニズムに頼って捉えており、生成データの品質や下流タスクの性能に限界があった。この課題に対して、研究チームは幾何学認識型テーブル拡散モデル（Geometry-Aware Tabular Diffusion、GATD）を提案した。GATDは、列値の差分から計算されるペアワイズ角度と長さを明示的に利用することで、拡散デノイザを強化する。
GATDの核心は、列間の幾何学的関係をデノイザの追加入力および補助予測ターゲットとして組み込む点にある。これによりモデルは、元データの復元だけでなく関係特徴の予測も学習し、列間の依存構造に対する直接的な監督を得る。本論文はICML 2026のメイントラックに採択されており、24ページ、10図、22表で構成されている。
研究チームは多層パーセプトロン（MLP）をベースとした実装で、10の公開データセット上で包括的な評価を行った。その結果、MLP版はパラメータ効率に優れ、平均パラメータ数は比較モデルの3.5分の1、分類タスクでは最大25分の1に削減された。パラメータを大幅に削減しながらも、性能は最先端レベルに達している。Shape指標では10データセット中8つ、Trend指標では7つ、下流有用性（F1/RMSE）では9つで最良の結果を獲得した。具体的には、ShapeとTrendの誤差がそれぞれ27%と20%低減された。
さらに、GATDのデフォルト損失重みは、グラフニューラルネットワーク（GNN）やTransformerデノイザにもそのまま適用できる。30のアーキテクチャとデータセットの組み合わせのうち、Shapeは27組、Trendは25組で改善が見られた。これは、明示的な関係監督が特定のネットワーク構造に依存しない移植可能な帰納バイアスであることを示している。
性能向上の要因を特定するため、著者らはマッチングアブレーション実験を実施した。その結果、改善は追加の入力特徴やモデル容量の増加によるものではなく、関係監督信号そのものに由来することが確認された。この発見は、テーブル拡散モデルにおける明示的な関係監督の価値を強調し、今後の研究に簡潔かつ効果的な改善方向を提供するものである。