OpenML CC18
PulseAugur coverage of OpenML CC18 — every cluster mentioning OpenML CC18 across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
Table2Image 模型提供轻量级表格学习和代理表示
研究人员推出 Table2Image，这是一种新颖的轻量级模型，专为表格数据学习而设计。该模型生成中间代理表示，以平衡预测性能、参数效率和鲁棒性。Table2Image 在来自 OpenML CC18 和 TabZilla 的数据集上表现出具有竞争力的性能，与较大的神经网络基线相比，保持了紧凑性。该研究还提出了一种新的评估协议，用于评估在各种不完美学习条件下的鲁棒性，例如无关输入和损坏的监督。
-
新的CoCo损失函数增强了嵌入结构和收敛性
研究人员开发了一种名为CoCo的新损失函数，旨在创建规范化且结构良好的数据表示。CoCo鼓励类在内部塌缩，同时与其他类进行对比，目标是获得具有大角度分离的嵌入。理论分析表明，CoCo在初始化、更具信息量的梯度和更快的收敛性等方面优于点回归和交叉熵等目标。在OpenML-CC18基准测试上的实验表明，CoCo在促进更紧密的类聚类和提高预测性能方面，与核SVM和随机森林等现有方法相比具有竞争力。
-
新的CoCo损失函数提升了嵌入质量和训练速度
研究人员推出了一种新颖的损失函数CoCo，旨在创建规范化且结构良好的数据表示。该函数促进类内塌陷和类间对比，使神经网络能够实现具有显著类间角度分离的几何最优嵌入。在OpenML-CC18基准上的理论分析和实验表明，CoCo相比于点回归和交叉熵等现有方法具有优势，能够带来更具信息量的梯度、更快的收敛速度和更紧密的类簇。
-
新研究比较表格分类的集成方法 · arXiv论文
一篇新发表在arXiv上的研究论文详细比较了用于表格分类任务的并行异构集成方法。该研究分析了来自OpenML CC18的56个中小型表格分类任务，并提出了一系列最佳实践建议。这些建议在TabArena数据集的另外28个任务上得到了验证，其表现显著优于单一最佳方法，并能媲美或超越单独的集成方法。主要发现包括Blending和Stacking方法的独立不一致性，以及Robust Soft Voting的特别成功，尤其是在多分类场景下。
-
新的LUCoS方法改进了表格基础模型的上下文选择
一篇新的研究论文介绍了LUCoS，一种用于表格基础模型无监督上下文选择的方法。LUCoS通过利用无监督先验拟合网络（PFN）的嵌入所诱导的潜在几何结构，解决了低标签表格学习中选择实例进行标记的挑战。该方法旨在通过选择代表性的medoids作为上下文来提高预测性能，在众多数据集和低标签预算下均优于随机选择和先前的原始特征空间方法。
-
三元决策树增加不确定性区域以提高准确性
研究人员引入了三元决策树，通过在决策边界周围引入不确定性区域来增强标准二元决策树。该区域允许对子树的预测进行加权混合，并标记不确定的实例以进行不同的下游处理。提出了五种估计不确定性区域宽度的新颖方法并进行了评估，在众多数据集上证明了比传统CART方法显著提高的准确性。
-
研究人员将大型AI模型蒸馏为更快的CPU就绪梯度提升树
研究人员开发了一种方法，可以将大型表格基础模型（TFMs）蒸馏成更小、更快的梯度提升树模型，这些模型可以在CPU上运行。该技术解决了TFMs的延迟问题，因为它们对于欺诈评分等实时应用来说速度太慢。通过使用分层离群教师标签来防止标签泄露，蒸馏后的模型达到了接近原始TFMs的性能，但推理时间却大大缩短。