TabZilla
PulseAugur coverage of TabZilla — every cluster mentioning TabZilla across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新研究推动表格基础模型实现高效和鲁棒性
多篇研究论文探讨了表格基础模型（TFMs）的进展，重点关注提高其效率、鲁棒性和适应性。知识蒸馏等技术正被用于从大型TFM创建更小、更快的学生模型，而RelICL和VIP-COP等新方法则解决了关系学习和上下文优化中的挑战。此外，研究正在探索架构选择和参数高效适应策略，以增强TFM在亚群体偏移和大规模数据集等各种数据条件下的性能。
-
研究论文揭示算法选择中的部署保真度差距
一项新的研究论文强调了在分解算法选择中，理论性能得分与实际部署结果之间存在显著差距。该研究引入了“部署保真度差距”(G(R))的概念，用于量化分区级别得分与实际端到端效用之间的差异。在多个基准测试中都观察到了这种差距，分区得分常常高估了算法的可部署性能。
-
新的训练目标 $\sigma$NB 在临床决策模型上表现不一
研究人员探索了一种名为平滑净收益（$\sigma$NB）的新训练目标，作为机器学习模型传统方法（如伯努利负对数似然（NLL））的替代方案，特别是在临床决策制定背景下。他们使用 Framingham 等数据集和 TabZilla 基准测试，并结合逻辑回归、GAM 和 XGBoost 等模型进行了实验，结果喜忧参半。虽然 $\sigma$NB 在 TabZilla 数据集上的逻辑回归模型中提供了净收益的适度改进，但它并未持续优于 NLL，…
-
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。
-
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。