PulseAugur
中
实时 12:09:08
English(EN) Mitigating Label Shift in Tabular In-Context Learning via Test-Time Posterior Adjustment

新方法解决表格基础模型中的标签偏移问题

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出了一种名为DistPFN的新方法，用于解决TabPFN等表格基础模型中的标签偏移问题。该技术通过重新加权训练数据类别分布和模型自身后验概率的影响来调整测试时的预测。一个增强版本DistPFN-T通过使用温度缩放来根据这些分布之间的差异调整调整强度，进一步完善了这一点。在大量数据集上的评估表明，在标签偏移条件下，TabPFN模型的性能显著提高，同时在标准设置下保持了性能。 AI

影响 引入了一种提高表格基础模型对抗标签偏移的鲁棒性的方法，有可能提高其在实际应用中的可靠性。

排序理由 这是一篇详细介绍改进表格数据集模型性能的新方法的学术论文。[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 →

新方法解决表格基础模型中的标签偏移问题

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Seunghan Lee, Jaehoon Lee, Jun Seo, Sungdong Yoo, Minjae Kim, Tae Yoon Lim, Dongwan Kang, Hwanil Choi, SoonYoung Lee, Wonbin Ahn ·

    通过测试时后验调整缓解表格上下文学习中的标签偏移

    arXiv:2605.04363v1 Announce Type: new Abstract: TabPFN has recently gained attention as a foundation model for tabular datasets, achieving strong performance by leveraging in-context learning on synthetic data. However, we find that TabPFN is vulnerable to label shift, often over…

相关实体

相关话题