跳到主要内容
检索

# 表格基础模型

6 篇关联报道

订阅更新
  1. arXiv

    中介分析不再逐表重拟合:MediPFN把置信区间误差分布预先学出来,配对计时比自助法快59.1倍

    因果中介分析要把处理效应拆成经中介变量的间接通路和其余直接通路,而给间接效应配置信区间通常要在每张表上重新拟合多个冗余函数并反复重采样。MediPFN把预训练的表格基础模型适配到这些冗余函数的预测上,再用一个单独的头从已知间接效应的模拟表中学习估计量标准化误差的分位数,经对称化与独立校准给出区间。在合成、分布偏移与真实协变量表上,它的覆盖率比若干对照更接近95%名义水平,配对计时中位比自助法快59.1倍。

  2. arXiv

    7.3M参数的TabOmics把全部特征一次读完:46个高维组学任务上平均AUROC达0.943,单成员与30倍参数模型持平

    TabOmics是一个仅7.3M参数、只用合成表格预训练的开放表格基础模型,推理时把预处理后保留的全部特征一次性联合处理,不需要按特征抽样或压缩。在三个高维小样本基准共46个分类任务上,八成员集成的TabOmics v2.5取得0.943的平均AUROC,高于八成员TabPFN-3.5的0.942;单成员版本为0.941,与后者无显著配对差异,但单次前向的耗时约为其五倍。

  3. arXiv

    PrivTab 将差分隐私机制嵌入表格基础模型架构,在 33 个 TabArena 数据集上于中强隐私区间超越 DP-LR 与 DP-MLP,并将拟合时间从数分钟压缩至约 10 毫秒

    作者提出 PrivTab,一种将差分隐私机制嵌入架构的表格基础模型:它在模拟数据上预训练,通过上下文学习把敏感行压缩为紧凑的可证明私有摘要,在 33 个 TabArena 分类数据集、六个隐私区间上于中强隐私下优于 DP-LR 与 DP-MLP,保持良好校准,并将拟合时间从数分钟降至约 10 毫秒的单次前向传播。

  4. arXiv

    系统评测流式表格基础模型:TabFM+FIFO 在九个流上几乎全面领先,但服务延迟高出最快集成一个数量级以上

    该研究在统一的预序(先测后训)协议下,对表格基础模型(TFM)与流式学习器、流式 AutoML 在真实与合成数据流上做了系统对比,发现 TFM 预测精度最高、漂移后恢复更快、标签延迟下仍最准,但服务成本高出一个数量级以上;内存大小与骨干质量比内存管理策略更关键,而重复编码上下文是主要开销,用紧凑因果模型缓存已编码上下文可在精度接近的前提下让成本随内存近似恒定。

  5. arXiv

    谷歌400M参数TabFM在TabArena全部51个数据集上零样本登顶,冻结权重下TabFM-Auto再提Elo

    TabFM是一个400M参数的表格基础模型,把监督式表格预测表述为上下文学习,仅用结构因果模型生成的合成表格预训练,在单次前向传播中给出校准的零样本预测;在TabArena全部51个数据集(38个分类、13个回归)上,零样本TabFM在默认表格基础模型中排名第一并超过调优的AutoML流水线,其两个扩展TabFM+(多视图特征扩展、集成与事后校准)和TabFM-Auto(由Gemini-3.8-Flash引导的数据集特定数据处理与特征工程)在冻结权重下进一步提升两个赛道的表现。

  6. bioRxiv

    数据驱动的工程活体水凝胶预测性设计

    该研究利用表格基础模型TabPFN,基于一个小型活体水凝胶文库,从遗传与工艺参数预测大肠杆菌生产的含CsgA基纤维活体水凝胶的宏观材料性质,在独立验证集上对储能模量G'的预测达到R2=85.1%,相比线性回归将RMSE降低48.0%,并进一步实现按目标性质反推设计参数的性质导向设计。

已读完全部报道