Strable
PulseAugur coverage of Strable — every cluster mentioning Strable across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的TILE方法连接大型语言模型和表格模型以处理含字符串数据
研究人员开发了TILE(Table-Interfaced LLM Embeddings),一种将大型语言模型(LLMs)与表格基础模型(TFMs)相结合的新颖方法,以提高包含字符串列的表格数据的性能。TILE方法侧重于优化LLMs和表格之间的接口,表明LLM的大小不如其特征提取方式重要。TILE的关键组成部分包括用于跨列上下文的行序列化、中间层提取、列池化以及数值和分类数据的旁路特征。该方法在众多数据集上取得了新的最先进成果,优于强大…
-
新的STRABLE基准语料库探索包含字符串的表格机器学习
发布了一个名为STRABLE的新基准语料库,以解决包含字符串条目的表格机器学习这一研究不足的领域。该语料库包含108个真实表格,并用于进行大规模实证研究,评估了445种不同的机器学习流水线。研究发现,对于以分类为主的表格,简单的字符串嵌入结合先进的表格学习器在计算上表现良好;而对于以自由文本为主的表格,大型语言模型编码器则受益匪浅,尽管性能因语言模型家族和后处理而异。
-
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。