合成表形式データの生成において、列間の依存関係を保持することは、不正検知や臨床リスクのような不均衡な領域での少数クラスの識別信号にとって極めて重要です。しかし、既存の評価指標はこの重要な特性を見落としがちです。本研究では、ロジスティック回帰を用いた二標本検定（C2ST）やペアワイズ傾向スコアといった一般的な指標が、列間の依存関係の検出にほとんど有効でないことを明らかにしています。具体的には、すべての列を独立にモデル化し依存関係を完全に破壊したベースラインでさえ、ロジスティック回帰C2STでは実際のデータと区別できないと判定され、ペアワイズ傾向スコアも部分的にしか敏感ではありません。
この問題に対処するため、著者らは依存関係を考慮した忠実度診断法を提案しています。この手法は、XGBoostを用いた強力な分類器による二標本検定（XGB-C2ST）を、周辺分布、依存関係、および数値-カテゴリ間の交差効果の3成分に分解します。最悪ケース（すべての依存関係を破壊した完全因子化モデル）と最良ケース（実際のデータ）を基準として、生成モデルの依存関係ギャップを定量化します。この診断法により、標準指標では完全に見逃される依存関係の欠落が明らかになります。
この診断法を最先端のフローマッチング生成器TabbyFlow/EF-VFMに適用したところ、標準的な指標では完全に見逃されていた実際の依存関係ギャップが発見されました。依存関係を完全に破壊すると少数クラスのユーティリティが著しく低下し、生成器に残るギャップも小さくない一貫したユーティリティコストをもたらします。さらに、このギャップが平均場生成目的関数の構造的限界によるものかどうかを検証しましたが、そうではありません。変分的フローマッチングの最近の回復結果と一致して、目的関数は漸近的に正確です。しかし、ギャップは頑固で、モデル容量を16倍に増やしても閉じることはありません。このことは、容量や構造の限界ではなく、直接的な依存関係の監督が欠如していることを示しています。
この知見と整合的に、残差ギャップが高次であるため、安価な介入では閉じることができません。モデル内の依存関係メカニズム、事後的なコピュラ補正、16倍の容量増加のいずれも効果がなく、単純な修正が有効であると仮定する分野への警告となっています。本論文はJie Zhangにより2026年7月20日に提出され、機械学習（cs.LG）および人工知能（cs.AI）を主題としており、arXivで入手可能です。