实体
LoMETab
LoMETab
PulseAugur coverage of LoMETab — every cluster mentioning LoMETab across labs, papers, and developer communities, ranked by signal.
总计 · 30天
3
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
3
90 天内 3
层级分布 · 90 天
主题
时间线
- 2026-05-14 research_milestone Introduction of the LoMETab method for deep learning on tabular data. 来源
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
研究发现：损失函数是竞争风险生存分析的关键
一项新的研究论文探讨了竞争风险生存分析的关键因素，这是医疗保健和预测性维护等领域中的常见问题。研究发现，损失函数的选择比架构对竞争风险更具决定性，其中带有审查加权的累积发生率损失表现最佳。研究还强调了将网络架构与数据模态相匹配的重要性，建议对表格数据使用表格网络，对图像使用预训练的视觉编码器。
-
关于Transformer在精算表格数据上的扩展性研究新发现
一篇新的研究论文探讨了精算定价中的扩展定律，比较了MLP和Transformer等表格数据模型。研究发现，虽然所有模型都随着数据的增加而改进，但像TabM这样的特定架构比标准的Transformer或MLP表现出更强的扩展性。研究表明，精算任务的有效扩展取决于架构和损失函数的设计，而简单地增加Transformer的大小带来的好处有限。
-
LoMETab 通过可控多样性推动表格数据深度学习发展
研究人员推出了一种新颖的表格数据深度学习方法 LoMETab，它推广了乘法隐式集成。该方法通过调整适配器秩和初始化尺度，实现了对预测多样性的精细控制。实验表明，LoMETab 可以显著改变其集成成员之间的多样性，从而影响分类和回归任务。