الذكاء الاصطناعي (AI) أصبح جزءًا لا يتجزأ من العديد من المجالات، حيث أثبتت النماذج التوليدية العميقة (Deep Generative Models) فعالية كبيرة في توليد الصور والنصوص والموسيقى والفيديو. ومع ذلك، يظل التقدم في توليد البيانات الجدولية يمثل تحدياً بارزاً.

تواجه البيانات الجدولية (Tabular Data) مجموعة من المصاعب، ومنها الخصائص العددية والفئوية، القيم المفقودة، المجالات الحساسة، عدم توازن الفئات، الاعتماديات المعقدة، وقيود النطاق. استخدمت طرق سابقة مثل الشبكات التنافسية (GANs) ونماذج التشفير التلقائي (VAEs)، ورغم نجاحاتها، إلا أنها كانت تعاني من تدريب غير مستقر، انهيار الأنماط، ونمذجة ضعيفة للتوزيعات متعددة الأبعاد.

مما دفع الباحثين لاستكشاف نماذج الانتشار (Diffusion Models) التي تقدم طريقة مرنة ومستقرة لنمذجة التوزيعات المعقدة. تقنية الضوضاء والتصفية التي تعتمد عليها توفر إمكانيات جديدة في توليد البيانات الجدولية، التعامل مع القيم المفقودة، وتوليد بيانات موثوقة.

أيضاً، قدمت نماذج التدفق (Flow Matching) نهجاً قريباً من حيث التعلم عبر مسارات الاحتمالات، مما يوفر تحكمًا مباشرًا في تصميم المسار وكفاءة العينة. ومع ذلك، لا تزال الأدبيات المتعلقة بنماذج الانتشار والتدفق للبيانات الجدولية صعبة المقارنة، حيث تستهدف طرق مختلفة مهاماً متنوعة وتعتمد على تمثيلات وموضوعات تقييم مختلفة.

في هذه الدراسة، يركز الباحثون على تناول مشاكل محددة في تعزيز قابلية التوسع، نمذجة الاعتماديات، الخصوصية، العدالة، ودقة القياس. يحوي البحث على استعراض شامل للأدبيات من يونيو 2015 إلى مايو 2026، مع تحديث مستمر عبر مستودع GitHub.

إذا كنت معنيا بالتطورات الثورية في معالجة البيانات الجدولية بواسطة الذكاء الاصطناعي، فإن هذا المقال يقدم لك لمحة عميقة حول ما يجري في هذا المجال.