MulTaBench
PulseAugur coverage of MulTaBench — every cluster mentioning MulTaBench across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
LightTAR 方法通过目标感知特征改进多模态表格学习
研究人员开发了 LightTAR,这是一种新颖的方法,旨在通过将降维技术适应于特定的预测任务来增强多模态表格学习。与优先考虑输入方差的标准主成分分析 (PCA) 不同,LightTAR 整合了使用正则化偏最小二乘法 (PLS) 提取的目标感知特征。这种方法可以无缝集成到现有流程中,在运行时仅略有增加的情况下提高了各种表格模型的预测性能。
-
LightTAR 通过目标感知表示增强多模态表格学习
研究人员开发了 LightTAR,一种通过使降维目标感知来增强多模态表格学习的新颖方法。该方法集成了正则化偏最小二乘法 (PLS) 来提取与预测任务相关的特征,增强了标准的主成分分析 (PCA) 表示。LightTAR 已在各种表格模型和数据集上证明了其预测性能的提高,而运行时间仅略有增加。
-
MulTaBench 基准测试通过文本和图像推进多模态表格学习
研究人员推出了 MulTaBench,这是一个旨在评估多模态表格学习的新基准。多模态表格学习将文本和图像数据与结构化表格相结合。该基准包含 40 个数据集,专注于这些不同模态提供互补预测信号的任务。MulTaBench 旨在通过支持研究能够联合建模和针对特定任务调整表示的架构,超越通用嵌入,从而推进多模态表格基础模型的发展。
-
新基准推动表格机器学习在不平衡、字符串和多模态数据方面的发展
研究人员推出了新的基准来推动表格机器学习。TILBench 解决了跨越不同数据特征的不平衡学习问题,并揭示没有一种单一方法是普遍优越的。STRABLE 解决了表格数据中包含字符串这一研究不足的领域,发现简单的字符串嵌入与先进的表格学习器配对在类别主导的表格上表现良好。MulTaBench 专注于多模态表格学习,评估表格信息之外的文本和图像数据,并强调了针对特定任务调整嵌入的好处。