LAB-Tab：用LLM增强贝叶斯网络适配，生成少样本目标域表格

当目标域数据稀缺时，表格数据生成支持分析和决策，但收集完整的目标样本通常成本高昂。实用但尚未开发的设置仅提供少量目标记录以及来自相关领域的更丰富的源数据。现有的少样本表格生成器通常要么直接拟合稀疏目标统计数据，这可能会过度拟合偶然模式，要么重用源域生成器，这可能会保留目标域中不再存在的依赖关系。为了解决这个问题，我们提出了 LAB-Tab，一种 LLM 增强贝叶斯网络（BN）适应框架，用于源感知的少样本表格生成。 LAB-Tab 首先根据源数据拟合 BN，然后使用 LLM 提出源 BN 图中不存在的合理目标域 BN 边。此步骤将语义和弱统计证据转换为明确的结构假设，从而将可编辑边缘空间扩展到源拟合图之外。由于提议的边缘可能有噪声并且与现有依赖项相互作用，因此 PPO 策略通过边缘级操作（包括保留、削弱、加强、翻转和停用）来校准增强 BN 中的边缘。 PPO 策略的训练结合了分布对齐、下游效用和目标相关依赖性的保留。然后对调整后的 BN 进行采样以合成目标域表。在根据三个美国人口普查 (ACS) 预测任务构建的六个源-目标分布转移场景中，LAB-Tab 在 10% 的目标数据预算下实现了最佳性能，领先于六个单独场景中的四个，并且相对于最强基线，宏观总体得分降低了 33.8%。它还获得了最佳的宏 JSD、WAPE 和 UtilityGap，同时保持了竞争性功能——标签保存。