Relational PFN

合成数据和课程设计提升关系型PFN预训练效果

研究人员探索了关系型先验数据拟合网络（PFN）的数据高效预训练方法，该网络用于关系型数据库中的贝叶斯推理。两篇论文研究了合成数据生成器（如Plurella）的使用以及课程设计对模型性能的影响。研究结果表明，与传统方法相比，逐步增加模式复杂度的渐进式课程设计，可以使用显著更少的合成数据来显著提高下游性能。具体而言，单表课程在关系型基准测试中取得了高性能，几乎可以媲美专用的关系型管道，而使用外部生成器的模式引导课程则通过减少数据量证明了其有效性。