标签
本文研究了表格基础模型（TFMs）如 TabPFN、TabICL、TabDPT 和 TabFM 是否能够产生与任何联合分布一致的预测。结果表明，所有被评估的 TFM 在分类和回归任务中均违反了边际化一致性和分解一致性，从而对其贝叶斯推断的主张提出了质疑。
本文系统比较了表格基础模型（TabPFN）与经典回归方法在85项土壤光谱任务中的表现，发现TabPFN结合PLSR衍生特征在从田间尺度到全球光谱库的预测性能上均达到最优。
本文研究了TabPFN等表格基础模型的内存需求，并表明模型压缩（如INT4量化）可以将内存占用减少高达7.6倍，且精度损失极小，从而提升实际部署效率。
本文提出一种重新表述方法，将表格基础模型（TFMs）应用于离散选择估计，解决了行独立假设的结构性差距。最佳重新表述在留出对数似然上优于层次贝叶斯估计8%，在命中率上优于3.6%，同时运行速度快16倍。
本文研究了在合成因果表上预训练的表格上下文学习模型能否从有限的标注数据泛化到生物分子性质的预测。作者发现，这些模型在蛋白质适应性回归任务上具有竞争力，但在小分子分类中，表示选择至关重要。
本文提出了一个正式的不可能性结果，表明表格基础模型无法区分合法与违反规则的数据库状态，除非能够访问操作规则。该结果通过操作图灵测试（OTT）和实证实验得到了验证。
本文评估了表格基础模型在微生物组数据中受生物学启发的分布偏移下的鲁棒性，发现保护判别特征不足以保证稳定性，且零填充是最有害的扰动。
本文提出CRUMB，一种三阶段推理封装方法，通过聚类测试查询并利用最小化最大均值差异（MMD）选择分布匹配的训练子集，从而实现对大规模数据集的高效先验拟合网络推理。在51个TabArena数据集上，该方法在上下文选择方面达到了最先进水平。
本文介绍了GOTabPFN，一种结合了图引导排序与局部精炼（GO-LR）及神经启发子单元压缩（NSC）的方法，使得小型表格基础模型能够在无需重新训练大型骨干网络的情况下，有效进行高维低样本量预测。
本文提出一种领域感知核集构建流程，使表格基础模型仅用0.7%的训练数据即可预测洪水深度，达到监督参考精度的98.5%，并支持跨流域迁移而无需重新训练。
本文评估了表格基础模型（尤其是TabPFN）用于近红外光谱数据标定的效果。与传统化学计量学方法相比，该模型在回归和分类任务上表现出强劲性能。