prior-data-fitted-networks

提出了一个连续性准则，用于将离散时间因果先验数据拟合网络扩展到连续时间，利用随机微分方程（SDE）。引入了分类体系和细网格积分方法，在不规则观测时间表上优于朴素积分方法。

本文将经典的类别不平衡技术应用于表格分类的先验数据拟合网络（PFNs），发现由于PFNs的校准特性和有限数据能力，阈值法和降采样法表现良好。

TabPFN-MT 将 PFN 扩展到表格数据的多任务上下文学习，在小到中等规模数据集上取得了最先进的结果，同时将推理成本从 O(T) 次前向传播降低到 O(1) 次。