في ظل التوجه المتزايد نحو حماية الخصوصية خلال مشاركة البيانات، يبرز مفهوم توليد البيانات الجدولية كأحد الحلول الجوهرية لتحقيق ذلك. وعليه، تمكّن الباحثون من تطوير تقنية جديدة تُعرف بمنهجية Geometry-Aware Tabular Diffusion (GATD)، التي تُضيف أبعادًا هندسية مميزة لعالم النماذج الجدولية.

تعمل تقنية GATD على تعزيز عمليات إزالة الضجيج في نماذج البيانات الجدولية من خلال التركيز على الزوايا والأطوال المزدوجة المستخرجة من اختلافات قيم الأعمدة، بحيث تُستخدم هذه المعلومات كمدخلات وأهداف مساعدة خلال عمليات التدريب. هذا الأسلوب الفريد يُمكن النماذج من الالتقاط الدقيق للعلاقات المتداخلة بين الأعمدة، مما يؤدي إلى تحسين كبير في الأداء.

عند مقارنة GATD بنماذج سابقة، أظهر النموذج سِمة تجاوز ملحوظة، حيث حقق أداءً على مقاييس مرجعية متقدمة، مقللاً عدد المعلمات بحوالي 3.5 مرة في المتوسط - وصولًا إلى 25 مرة في مهام التصنيف. في تجارب على عشرة مجموعات بيانات، تفوق النموذج بتحقيق نتائج متقدمة في 8 من أصل 10 مجالات تتعلق بالشكل، و7 من أصل 10 اتجاهات، و9 من أصل 10 في الفائدة الثانوية.

عُززت النتائج أيضًا من خلال تحسين خوارزميات GNN وTransformer باستخدام أوزان خسارة مناسبة، حيث لوحظ تحسن ملموس في أداء الشكل والاتجاه. كما أظهر تحليل شارك فيه المقارنات التجريبية أن التعليم البارز للعلاقات وليس إدخال معلومات إضافية أو زيادة السعة هو ما يقود هذه المكاسب.

هذه الخطوة ليست مجرد تحسين تقني، بل تمثل انطلاقة مهمة للتركيز على التعليم الديناميكي للعلاقات في عمليات نمذجة البيانات الجدولية، مع الأخذ بعين الاعتبار تطبيقاتها المحتملة في مجالات متعددة مثل الصناعة المالية والتقنية الحيوية وغيرها.