近日，一篇被ICML 2026接收的論文提出了幾何感知表格擴散模型（Geometry-Aware Tabular Diffusion, GATD），旨在解決表格數據合成中列間關係建模的難題。表格數據合成在隱私保護的數據共享和增強中至關重要，但現有擴散模型主要依賴隱式機制來捕獲列間關係，效果有限。
GATD的核心創新在於向擴散去噪器中注入顯式的幾何信息。具體來説，它通過計算不同列值之間的差異，得到成對的角度和長度，並將這些幾何特徵同時作為網絡輸入和輔助訓練目標。這種方法使得模型能夠更直接地學習和利用表格數據的結構，從而生成更真實的數據。
研究團隊基於MLP實現了GATD，並在十個基準數據集上進行了全面評估。結果顯示，MLP實例在平均參數數量僅為其他方法的3.5倍（分類任務甚至達到25倍）的情況下，取得了最先進的性能：在形狀（Shape）、趨勢（Trend）和下游任務效用（F1/RMSE）指標上分別贏得了8/10、7/10和9/10的數據集，形狀和趨勢誤差分別降低了27%和20%。值得注意的是，GATD的默認損失權重可以無縫遷移到GNN和Transformer等不同架構的去噪器上，在27/30和25/30的架構-數據集組合中改善了形狀和趨勢性能。
匹配消融實驗證實，性能提升主要歸功於顯式的監督信號，而非額外的輸入或模型容量。這揭示了顯式關係監督是一種可移植的歸納偏置，未來有望廣泛應用於各類表格擴散任務。論文代碼已公開，為社區提供了復現和進一步研究的基礎。該研究為表格數據生成領域提供了新的思路，證明了將領域知識顯式編碼到生成模型中的有效性。