论文页面 - TabFM-Auto：面向表格基础模型的自演进流水线

来源：https://huggingface.co/papers/2609.37989

摘要

表格基础模型通过在合成表格上进行预训练，在结构化数据上实现了强大的零样本准确率，但它们忽略了承载数据集语义的列名、任务描述和辅助文件。与此同时，自演进机器学习工程智能体在每个数据集上从头开始训练模型，然而联合搜索特征、架构和超参数过程嘈杂且易过拟合。我们引入 TabFM-Auto，将表格基础模型 TabFM 与围绕其演进数据流水线的语言模型智能体相结合。在数据集元数据和验证反馈的引导下，TabFM-Auto 迭代地优化数据清洗、特征工程、上下文选择和后处理，以降低 TabFM 的错误率。在 TabArenabenchmark 基准的所有 51 个数据集上，采用不同智能体和语言模型的五种 TabFM-Auto 配置占据了总排名前五的位置，最佳配置将 TabFM 从 1785 Elo 提升至 2013 Elo。发现的流水线还可以无需进一步搜索即迁移至其他冻结表格基础模型（+69 至 +143 Elo）。在 MLE-Bench 的 8 个表格竞赛中，TabFM-Auto 在 MLE 智能体中排名第一。

查看 arXiv 页面 (https://arxiv.org/abs/2609.37989) 查看 PDF (https://arxiv.org/pdf/2609.37989) 项目页面 (https://deqingfu.github.io/tabfm-auto/) 添加至收藏 (https://huggingface.co/login?next=%2Fpapers%2F2609.37989)

在你的智能体中获取此论文：

hf papers read 2609\.37989

没有最新 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用本文的模型0

没有模型关联此论文

在模型 README.md 中引用 arxiv.org/abs/2609.37989 以从此页面关联。

引用本文的数据集0

没有数据集关联此论文

在数据集 README.md 中引用 arxiv.org/abs/2609.37989 以从此页面关联。

引用本文的 Spaces0

没有 Space 关联此论文

在 Space README.md 中引用 arxiv.org/abs/2609.37989 以从此页面关联。

包含本文的合集0

没有合集包含此论文

将此论文添加至合集 (https://huggingface.co/new-collection) 以从此页面关联。