본 논문은 딥러닝 모델이 테이블 형식 데이터에서 성능이 저조한 문제를 해결하기 위해, 신경망 인코더와 무지형 소프트 결정 트리(OSDT) 인코더를 결합한 하이브리드 오토인코더를 제안한다. 각 인코더는 샘플별 특징 선택을 수행하는 확률적 게이팅 네트워크의 안내를 받으며, 모델 기반 증강을 통해 서로 다른 뷰를 생성한다. 두 인코더는 공유 디코더와 상호 재구성 손실을 사용하여 훈련되며, 추론 시에는 신경망 인코더만 사용한다. 이 방법은 다양한 테이블 데이터셋에서 저레이블 분류 및 회귀 문제에서 기존 모델보다 우수한 성능을 보였다.
