表格合成在隐私保护的数据共享与数据增强中扮演着关键角色，但扩散模型在捕捉列与列之间的相互关系时，往往依赖隐式机制，缺少对结构化关联的显式约束。针对这一不足，研究者提出了几何感知表格扩散（Geometry-Aware Tabular Diffusion，简称 GATD）。该方法为表格扩散去噪器引入了由列值差异计算得到的成对角度与长度信息，并将这些几何量同时作为模型输入和辅助监督目标，从而把列间关系以显式方式注入扩散过程。
在具体实现上，作者给出了一种基于多层感知机（MLP）的实例化方案。实验结果显示，该方案在取得当前最优基准表现的同时，平均使用的参数量减少了约 3.5 倍；在分类任务中，参数量的缩减幅度最高可达 25 倍。在十个数据集的评测中，该模型在 8/10 的数据集上取得形状（Shape）指标最优，在 7/10 的数据集上取得趋势（Trend）指标最优，并在 9/10 的数据集上下游效用（以 F1 或 RMSE 衡量）表现最佳，同时将 Shape 与 Trend 的误差分别降低了 27% 和 20%。
值得注意的是，该方法并不局限于 MLP 架构。论文指出，其默认的损失权重可以直接迁移到图神经网络（GNN）与 Transformer 去噪器上，并在 27/30 的“架构—数据集”组合中改善了 Shape 指标，在 25/30 的组合中改善了 Trend 指标。为厘清性能提升的来源，作者还进行了匹配的消融实验，结果表明真正驱动增益的是显式的关系监督，而非额外输入或模型容量。这一发现说明，显式的关系型监督是一种可移植的归纳偏置，可推广到不同的表格扩散模型架构中。
该工作已被 ICML 2026 主赛道接收，论文共 24 页，包含 10 幅图和 22 张表格。研究主题涉及机器学习、人工智能以及密码学与安全等方向，论文编号为 arXiv:2606.02607，提交时间为 2026 年 5 月 23 日。整体来看，GATD 通过将列间的几何关系显式化，为表格扩散模型提供了一种更高效、更具泛化性的建模思路。