实体
TALENT benchmark
TALENT benchmark
PulseAugur coverage of TALENT benchmark — every cluster mentioning TALENT benchmark across labs, papers, and developer communities, ranked by signal.
总计 · 30天
1
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 3
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
新的拉伸变换框架增强了表格数据的深度学习能力
研究人员引入了一个名为“拉伸变换”的新框架，以改进深度学习模型处理异构表格数据的方式。该框架将数值特征预处理优化为一个优化问题，以创建更平滑、更易于学习的目标函数。提出了两种变体：无监督拉伸，它重新分配特征密度；以及有监督拉伸，它基于目标函数的平滑度优化变换。在38个数据集上的实验表明，有监督拉伸的性能持续优于现有方法，这表明为目标函数平滑度进行优化是表格深度学习的一种有价值的策略。
-
表格基础模型显示出性能-不确定性权衡
一篇新的研究论文强调了表格基础模型（TFMs）的一个关键权衡：高预测性能是以不确定性量化不可靠为代价的。该研究在112个数据集上比较了TFMs与梯度提升决策树（GBDTs），发现虽然TFMs实现了卓越的预测准确性，但其条件覆盖率较低。这表明，尽管预测能力有所提高，TFMs在为可靠的实际应用提供良好校准的不确定性方面仍面临重大挑战。
-
TabH2O基础模型统一表格预测任务
研究人员推出TabH2O，这是一种新颖的基础模型，专为表格数据预测任务（如分类和回归）而设计。该模型采用统一的训练方法和双头架构，能够通过上下文学习在单次前向传播中处理这两种任务类型。关键改进包括用于增强稳定性的单阶段预训练和用于构建对无关特征鲁棒性的噪声感知预训练。在TALENT基准测试中，TabH2O表现出竞争力，优于多种既有方法，并在相当一部分测试数据集上获得前三名。