tabular foundation model
PulseAugur coverage of tabular foundation model — every cluster mentioning tabular foundation model across labs, papers, and developer communities, ranked by signal.
-
AI框架通过视频识别运动障碍
研究人员开发了一个新颖的框架，利用无标记姿态估计和表格基础模型，从常规视频中识别多种运动障碍。该系统最初在成人患者身上进行训练，然后在一组儿童患者身上进行测试，在进行轻量级校准后，准确性有所提高。这种方法旨在为肌张力障碍、震颤和抽搐等病症的诊断和监测提供一种客观且可扩展的方法，这些病症由于其主观性和易变性，通常难以评估。
-
表格基础模型展现跨模态迁移能力
研究人员开发了一种新颖的分类流程，该流程将等角紧框架（ETF）预处理步骤与表格基础模型相结合，用于上下文内推理。这种统一的方法应用于包括视觉、音频、文本和表格数据在内的七种不同数据模态，在运行速度显著提高的同时，展现出与轻量级微调基线相比具有竞争力的性能。该系统专为实际部署而设计，提供了关于ETF应用、无验证集划分的训练以及概率校准的指导，为实践者提供可靠的置信度信号。
-
新方法在无需微调的情况下实现最先进的多模态分类
研究人员开发了CoMET，一种利用冻结的预训练骨干网络和表格基础模型（TFMs）的多模态分类新方法。该方法使用主成分分析（PCA）压缩模态嵌入，然后将其输入TFM，从而无需微调。为了提高表示质量，尤其是在CLS标记未对齐的情况下，他们提出了PALPooling，一种自适应标记池化器。CoMET在各种多模态基准测试中取得了最先进的成果，并且可以在没有进行任何训练的情况下处理包含超过50万个样本和2000个类别的大规模数据集。
-
新基准GHGbench解决了碳排放预测碎片化问题
研究人员推出GHGbench，这是一个新的基准和数据集，旨在统一和改进公司及建筑层面的碳排放预测。该基准通过提供公司披露和跨多个城市的统一建筑数据的综合集合，解决了现有数据集的碎片化问题。初步研究结果强调，预测建筑排放比预测公司排放更具挑战性，并且泛化到新地区或城市是一个重大障碍，其中多模态遥感嵌入被证明特别有用。
-
表格基础模型在数据稀疏条件下改进滑坡预测
两篇新研究论文提出了利用表格基础模型进行滑坡易发性预测的新方法，解决了数据稀疏和不平衡的常见问题。第一篇论文介绍了一种生成方法，用于创建真实的滑坡数据集，保留了复杂特征依赖性，并在各种场景中展示了鲁棒性。第二篇论文提出了一种知识-数据双驱动范式，将地貌先验知识与有限的滑坡数据相结合，实现了与需要更多数据的传统方法相当的准确性。