표 형식 데이터 합성은 개인정보 보호 및 데이터 활용 측면에서 중요한 연구 분야이다. 표 형식 데이터의 활용도를 높이기 위해 데이터 합성 기술에 대한 관심이 높아지고 있다. 표 형식 데이터 합성의 주요 목표는 데이터 유출 위험을 줄이면서 원본 인사이트를 보존하는 고품질 데이터를 생성하는 것이다. 본 연구에서는 표 형식 데이터 합성의 품질 향상을 위해 새로운 생성적 적대 신경망(GAN)을 제안한다. 연속형 변수를 변환하는 방법과 변수 간의 의존성을 포착하기 위한 올바른 컨디셔닝은 데이터의 품질을 결정하는 중요한 요소로 간주된다. 따라서 제안하는 방법에서는 연속형 열에 대해 보간 누적 분포 함수(CDF) 디코딩과 유형별 컨디셔너를 사용한다. 보간 CDF 디코딩은 합성 데이터의 다양성을 제한하는 역 CDF 방법의 한계를 해결한다. 또한 유형별 컨디셔너는 불연속 조건과 연속 조건을 통합하여 열 간의 상호 의존성을 조건화한다. 조건부 종속성을 통해 생성기는 열 간의 복잡한 종속성을 정확하게 포착할 수 있다. 디코딩 과정과 조건 생성 구조에서 제안된 보간은 합성 데이터를 더욱 사실적으로 만든다. 6 개의 데이터 세트에 대한 종합적인 평가를 통해 제안한 방법이 합성 데이터의 품질, 사용성, 프라이버시 수준 측면에서 효과적이라는 것을 입증한다.