tabular data
PulseAugur coverage of tabular data — every cluster mentioning tabular data across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的IAIML框架增强了表格数据的可解释AI · 追踪3个来源
研究人员开发了一个名为交互感知可解释机器学习（IAIML）的新框架，旨在提高表格数据模型的可解释性。IAIML解决了传统方法可能丢弃那些仅通过与其他变量交互才能显现预测能力的宝贵特征的局限性。该框架采用自适应离散化、成对交互评分和解释预算来识别和整合这些交互，实现了与梯度提升集成模型相当的性能，同时所需的解释组件显著减少。
-
新的GAN模型解决了表格数据中的类别不平衡问题
研究人员开发了ctdGAN，这是一种新颖的条件生成对抗网络，旨在解决表格数据集中的类别不平衡问题。该新模型将输入样本划分为簇，并采用概率采样策略在这些已识别的子空间内生成合成数据。该方法还结合了分簇缩放技术来捕获多个特征模式，以及一个在簇和类别级别上惩罚错误预测的损失函数。在14个不平衡数据集上的评估表明，ctdGAN在生成高保真样本和提高分类准确性方面是有效的。
-
pTNAS 加速表格数据的神经架构搜索
研究人员开发了 pTNAS，一种专为表格数据设计的渐进式神经架构搜索新方法。该方法能高效地识别最优的神经网络架构，与现有方法相比，显著降低了时间和计算成本。pTNAS 采用两阶段策略：一个快速的零成本代理用于初步筛选，以及一个预算感知型精炼阶段用于精确选择，其性能优于其他 NAS 方法，并提高了端到端效率。
-
新框架为大语言模型表格数据决策提供补救措施
研究人员开发了一个新框架 ASR-ICL，用于在使用大语言模型进行上下文学习 (ICL) 时，为表格数据生成算法补救措施。该框架弥补了为受这些模型所做的高风险决策影响的个人提供可操作补救措施的不足。理论分析表明，补救措施定义明确，并且随着上下文大小的增加会收敛到经典解决方案，而实验结果则证明了 ASR-ICL 的效率及其与现有方法相当的补救质量。
-
新的难度评分提高了表格数据学习的可靠性
研究人员开发了一种名为轨迹难度评分（TDS）的新方法，用于估计表格数据学习中各个实例的难度。该分数源自梯度提升树的累积预测轨迹，并使用可解释的描述符来预测保留的损失。TDS在对困难案例进行排名方面表现出色，并在各种表格基准测试中优于现有基线，从而改进了主动学习和选择性预测等工作流程。
-
新的RTTAD方法通过风险感知自适应增强异常检测
研究人员开发了一种名为RTTAD的新方法，以改进表格数据中的无监督异常检测，特别是在“正常”数据定义随时间变化的情况下。该方法在训练期间使用双任务学习策略来建立对正常模式的稳健理解。在测试期间，它采用对比学习模块，该模块仔细选择高置信度的正常样本进行自适应，同时还改进了模型区分正常和异常数据以及识别潜在风险的能力。
-
数据语言模型提供原生表格数据理解，性能超越现有方法
研究人员推出数据语言模型（DLM），这是一类新的基础模型，旨在原生理解表格数据，无需预处理。首个DLM Schema-1，一个拥有1.4亿参数、在超过230万个数据集上训练的模型，在行级预测基准测试中表现优于现有方法。Schema-1在缺失值重建方面也表现出色，并且仅凭原始单元格值就能识别行业领域，表明其对表格数据的结构理解比通用语言模型更深入。