随着CLIP和稳定模型的快速发展，图像生成领域中GAN已经不常见了，但是在表格数据中GAN还是可以看到它的身影。
现实世界的复杂性与许多方面相关(例如，缺失数据、不平衡数据、噪声数据)，但最常见的一个问题是包含异构(或“混合”)数据，即包含数字和分类特征的数据。
由于每种特征类型都可能具有自己的内在特征，异构数据对合成数据生成过程提出了额外的挑战。
CTGAN(Conditional Tabular Generative Adversarial Network)就是通过“捕获”现实世界数据的这种异质性，与其他架构(如WGAN和WGAN- gp等)相比，已被证明对各种数据集更加健壮和可泛化。
在本文中，我们将介绍CTGAN，并且说明哪些属性使得它对表格数据如此高效，以及为什么和何时应该利用它。
真实世界的表格异构数据
我们所说的“表格数据”，即可以以类似表格的格式进行结构化和组织和存储的数据。特征(有时称为“变量”或“属性”)以列表示，而观察值(或“记录”)对应于行。真实世界的数据通常包括数字和分类特征：
数值特征(也称为“连续的”)是那些编码定量值的特征，而分类特征(也称为“离散的”)表示定性测量。
下面是一个收入数据集的示例，age和fnlwgt是数字特征，而其余的是分类特征。
完整文章：
https://avoid.overfit.cn/post/512c0554f1d84a56a14cf53181d6e471
标签：异构,表格,特征,真实世界,CTGAN,数据 From： https://www.cnblogs.com/deephub/p/17320729.html