PulseAugur
中
实时 11:49:18
English(EN) Balanced Adaptive Prototype Selection for Scalable TabPFN Inference on Large-Scale Tabular Data

新框架提升TabPFN在大型表格数据集上的推理能力

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个名为平衡自适应原型选择（BAPS）的新框架，以提高预训练表格基础模型（TabPFN）在大型数据集上的可扩展性。BAPS在不改变原始模型的情况下，为推理构建了压缩的、保留信息的上下文。在HIGGS和SUSY数据集上的实验表明，BAPS可以实现显著的上下文压缩（约1953倍），同时保持强大的预测性能和校准，从而使TabPFN能够应用于具有数百万行的imerick。 AI

影响 无需重新训练即可在更大规模的数据集上使用强大的表格基础模型。

排序理由 该集群包含一篇学术论文，详细介绍了一种提高模型推理可扩展性的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新框架提升TabPFN在大型表格数据集上的推理能力

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Mahboobe Jadid, Melika Rezaye Garkani, Ali Mousavi ·

    面向大规模表格数据的可扩展TabPFN推理的平衡自适应原型选择

    arXiv:2608.12989v1 Announce Type: new Abstract: Pretrained tabular foundation models have demonstrated strong predictive capability; however, their application to large-scale datasets remains constrained by the limited inference context. This paper introduces Balanced Adaptive Pr…

相关实体

相关话题