标签
本文提出多分支神经决策树与自适应剪枝 (MBNDT)，这是一种决策树模型，通过自适应多路分裂在深度约束下提高分类准确率，在 OpenML 基准测试中取得优异性能。
Entropic Scree 是一个新的诊断工具，用于评估脏表格数据中的信号强度和结构，使用互信息，附带预印本和即将推出的 Python 和 R 包。
本文介绍了ClusterAttention，这是一种无训练方法，通过使用递归聚类实现块稀疏注意力，加速Transformer模型中的双向注意力。在表格数据上实现了2-6倍的加速，在视频生成上实现了1.8倍的加速，同时保持了高准确度。
本文评估了在标签稀缺和缺失数据条件下表格模型的自监督预训练，发现效果混合但在测试时缺失情况下有可靠改进。
Tydra 是一种混合 Transformer-SSM 架构，用于表格数据，与 TabPFN 相比，它减少了 30% 的推理时间，同时保持了相似的预测性能，并优于 Hydra。
本文研究了使用flow matching在表格数据上的无监督异常检测，重点关注受污染的训练集，并比较不同的评分方法以增强鲁棒性。
本文提出了LLM-Detector，这是一个利用大语言模型进行上下文学习的框架，用于执行表格异常检测，无需微调，在多个数据集上展示了相对于现有方法的持续改进。
Entropy Scree 是 PCA 的信息论升级版，用于在杂乱的表格数据上进行稳健的秩估计和降维，代码已开源，预印本已发布。
Entropic Scree 是一种非参数、基于信息论的诊断框架，用于在复杂表格数据中映射内在秩与信息引力，解决了标准 PCA 和其他基线的局限性。
本文重新审视了基于能量的模型在表格异常检测中的应用，证明将Deep Boltzmann Machine的能量分数与自编码器的重建分数相结合，能显著提升在基准数据集上的性能。
CoMedBench 是一个可复现的基准测试，用于评估跨37个数据集-任务组合的合成医疗数据生成器，结果表明合成训练数据在表格型任务上保留了大部分下游信号，但时间序列ICU任务仍然对生成器敏感。
This paper identifies common failure modes in tree-search-based autoresearch agents applied to tabular datasets, such as repeated bug resolution, poor hyperparameter tuning, and ineffective exploration, and proposes targeted interventions like a global debug consultant and refined tree-search algorithms to recover wasted compute and improve performance without changing the underlying language model.
TailBooster是一种双层生成框架，通过统计尾部提取和基于自编码器的清洗来合成运行上有效的极端航空运输事件，显著提高了极端事件预测的准确性。
This paper introduces GRACE, a framework that uses LLM-generated semantic descriptions at the attribute-value level to create unified metric spaces for clustering mixed tabular data, achieving scalability comparable to statistical baselines while improving clustering accuracy.
The paper proposes BC-ICL, a bootstrap-conditioned action selection method that leverages pretrained tabular foundation models with in-context learning for contextual bandits, improving exploration and regret performance under strict online protocols.
本文使用美国地质调查局（USGS）流域尺度数据，系统评估了包括TabPFN基础模型在内的15种机器学习模型在野火后泥石流预测中的表现，发现TabPFN取得了最佳性能（威胁评分为0.637），并且合成数据增强能改善大多数模型的性能。
本文介绍了TS2TabPFN，这是一个将显式特征提取与TabPFN 2.5表格基础模型相结合用于时间序列分类和外部回归的框架。实验表明，它在TSER任务上优于最先进的模型，并在TSC任务上取得了具有竞争力的结果。
这条推文重点介绍了针对数据代理的新 DataSpace 基准，表明 harness 的选择在多模态模型和 agent harness 中显著影响准确率，最佳准确率达到 66.34%，且该基准尚未饱和。
一篇新的arXiv论文系统性地测试了关于大型语言模型为何在表格预测上失败的五个假设，发现维度是决定性因素：随着输入维度增加，LLM的准确率下降，而经典基线模型的准确率则保持平稳或有所提升。