表格基础模型TabPFN 3.5不调参就追平物种分布模型,微调后成为基准上最佳单模型
只用“出现记录”预测物种会在哪里出现,长期依赖MaxEnt等需逐数据集调参的物种分布模型。TabPFN 3.5在225种、六个区域的标准基准上不调参即取得平均AUC 0.732,与已发表最佳的五模型集成持平;用其他区域的“出现—背景”任务微调后升至0.736,成为基准上最佳单模型,并显著优于MaxEnt的0.728。作者同时指出,六个区域不足以证明这一优势能推广到新区域,且模型对环境偏倚采样敏感。
只用“出现记录”预测物种会在哪里出现,长期依赖MaxEnt等需逐数据集调参的物种分布模型。TabPFN 3.5在225种、六个区域的标准基准上不调参即取得平均AUC 0.732,与已发表最佳的五模型集成持平;用其他区域的“出现—背景”任务微调后升至0.736,成为基准上最佳单模型,并显著优于MaxEnt的0.728。作者同时指出,六个区域不足以证明这一优势能推广到新区域,且模型对环境偏倚采样敏感。
该研究以日本两座生态条件迥异的湖泊(深水分层的琵琶湖与浅水富营养化的霞浦湖)长达30年的月度水质监测记录为数据基础,将Transformer架构的Chronos-T5与概率模型Lag-Llama两个时间序列基础模型,同15个统计(AR、ARIMA、SARIMA、Prophet)、机器学习(随机森林、XGBoost、KNN、SVR)与深度学习(LSTM、CNN、TCN及SSA混合)模型进行基准比较,发现微调后的Chronos-T5在全部六个监测站点均排名第一,对溶解氧、水温、pH及氮磷营养盐等参数取得R²>0.80–1.00的高精度,而叶绿素a在所有模型中R²均低于0.30,并识别出约14年的最
已读完全部报道