論文の概要: FlexTab: A Flexible Encoder-Decoder Architecture for In-Context Learning Across Diverse Tabular Tasks

• arxiv url: http://arxiv.org/abs/2606.30336v2
• Date: Tue, 30 Jun 2026 07:03:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-01 13:50:27.733168
• Title: FlexTab: A Flexible Encoder-Decoder Architecture for In-Context Learning Across Diverse Tabular Tasks
• Title（参考訳）: FlexTab: 可変エンコーダデコーダアーキテクチャ
• Abstract要約: 我々はFlexTabを紹介した。これは表データのコンテキスト内学習のためのフレキシブルエンコーダ・デコーダアーキテクチャである。 我々の設計は、広範囲の下流タスクで活用できるターゲット非依存の行埋め込みを生成する。 エンコーダとタスク固有のデコーダは、実世界の未ラベルのテーブルの大きなコーパスで訓練される。
• 参考スコア（独自算出の注目度）: 1.0252723257176564
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce FlexTab, a flexible encoder-decoder architecture for in-context learning on tabular data that pairs a single, task-agnostic encoder with a suite of task-specific decoders. Unlike existing tabular in-context learners, which entangle feature representations with a specific prediction target, our design produces target-agnostic row embeddings that can be leveraged across a wide range of downstream tasks within a table-native in-context learning setup. We demonstrate this flexibility on six distinct problems: classification, regression, anomaly detection, clustering, entity matching, and entity classification in relational databases. Both the encoder and the task-specific decoders are trained on a large corpus of real-world, unlabeled tables. FlexTab achieves state-of-the-art performance on classification, regression, anomaly detection and entity matching, while remaining competitive with specialized models on entity classification in a relational setting. These results demonstrate that a single shared encoder, paired with task-specific decoders, can serve as an effective general-purpose backbone for diverse tabular prediction problems. The inference code and checkpoints will be made publicly available at https://github.com/SAP-samples/flextab.
• Abstract（参考訳）: 我々はFlexTabを紹介します。FlexTabは、単一のタスクに依存しないエンコーダとタスク固有のデコーダのスイートをペアリングする、表形式のデータに対するコンテキスト内学習のためのフレキシブルなエンコーダデコーダアーキテクチャです。 特定の予測対象と特徴表現を絡み合わせる既存の表形式のインコンテキスト学習者とは異なり、我々の設計では、テーブルネイティブなインコンテキスト学習設定内で、広範囲の下流タスクにまたがるターゲットに依存しない行埋め込みを生成する。 分類,回帰,異常検出,クラスタリング,エンティティマッチング,関係データベースにおけるエンティティ分類の6つの異なる問題に対して,この柔軟性を示す。 エンコーダとタスク固有のデコーダは、実世界の未ラベルのテーブルの大きなコーパスで訓練される。 FlexTabは、分類、回帰、異常検出、エンティティマッチングに関する最先端のパフォーマンスを達成します。 これらの結果から,タスク固有のデコーダと組み合わせた単一共有エンコーダが,表層予測問題に対する効果的な汎用バックボーンとして機能することが示唆された。 推論コードとチェックポイントはhttps://github.com/SAP-samples/flextab.comで公開されている。

関連論文リスト

• FMBench: Adaptive Large Language Model Output Formatting [49.52930069696333]
  適応型マークダウン出力フォーマットのベンチマークであるFMBenchを提案する。 2つのモデルファミリーの実験は、SFTが一貫してセマンティックアライメントを改善していることを示している。 結果はまた、意味的目的と構造的目的の間に固有のトレードオフを明らかにします。
  論文  参考訳（メタデータ） (2026-02-06T04:42:06Z)
• OFA-MAS: One-for-All Multi-Agent System Topology Design based on Mixture-of-Experts Graph Generative Models [57.94189874119267]
  マルチエージェントシステム(MAS)は複雑な問題を解決するための強力なパラダイムを提供する。 現在のグラフ学習に基づく設計手法は、しばしば「1対1」のパラダイムに準拠している。 自然言語で記述されたタスクに対して適応的な協調グラフを生成する一対一のフレームワークOFA-TADを提案する。
  論文  参考訳（メタデータ） (2026-01-19T12:23:44Z)
• Comparing Task-Agnostic Embedding Models for Tabular Data [1.6479389738270018]
  この研究は特に表現学習、すなわち伝達可能なタスクに依存しない埋め込みに焦点を当てている。 テーブルライザ機能は、最近の基礎モデルよりも最大3桁高速で、同等または優れたパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-11-18T09:10:40Z)
• DS-Det: Single-Query Paradigm and Attention Disentangled Learning for Flexible Object Detection [39.56089737473775]
  画像中のフレキシブルな数の物体を検出できるより効率的な変換器検出器DS-Detを提案する。 具体的には、デコーダモデリングのための新しい統合シングルクエリパラダイムを再構成し、導入する。 また,注意障害学習による簡易デコーダフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-26T05:40:04Z)
• Universal Embeddings of Tabular Data [0.0]
  リレーショナルデータベースにおけるタブラリデータは、産業データのかなりの部分を占めている。 本稿では,予め定義された目標を満たさずにダウンストリームタスクを実行するための,タスク非依存な表データの埋め込みを普遍的に生成するための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-08T11:45:29Z)
• Make Still Further Progress: Chain of Thoughts for Tabular Data Leaderboard [27.224577475861214]
  機械学習の基本的なデータフォーマットであるタブラルデータは、競争や現実世界のアプリケーションで主に利用されている。 本研究では,大規模言語モデルを活用したテキスト内アンサンブルフレームワークを提案する。 提案手法は,各テストインスタンスの周囲のコンテキストを,その近傍と外部モデルのプールからの予測を用いて構築する。
  論文  参考訳（メタデータ） (2025-05-19T17:52:58Z)
• Binning as a Pretext Task: Improving Self-Supervised Learning in Tabular Domains [0.565395466029518]
  そこで本研究では,古典的ビンニング手法に基づく新しいプレテキストタスクを提案する。 その考え方は単純で、元の値ではなく、binインデックス(順序またはクラス)を再構築する。 我々の実証調査では、ビンニングの利点がいくつか確認されている。
  論文  参考訳（メタデータ） (2024-05-13T01:23:14Z)
• Rethinking Pre-Training in Tabular Data: A Neighborhood Embedding Perspective [71.45945607871715]
  メタ表現(TabPTM)を用いたタブラルデータ事前学習を提案する。 中心となる考え方は、データインスタンスを共有機能空間に埋め込むことで、各インスタンスは、近隣の固定数とそのラベルまでの距離で表現される。 101データセットの大規模な実験は、微調整の有無にかかわらず、分類タスクと回帰タスクの両方においてTabPTMの有効性を確認した。
  論文  参考訳（メタデータ） (2023-10-31T18:03:54Z)
• Unlocking the Transferability of Tokens in Deep Models for Tabular Data [67.11727608815636]
  トレーニング済みのディープニューラルネットワークの微調整は、さまざまな機械学習タスクにおいて成功しているパラダイムとなっている。 本稿では,特徴トークンの品質向上を目的としたTabTokenを提案する。 トークンを規則化し、機能内および機能間のセマンティクスをキャプチャする、対照的な目的を導入します。
  論文  参考訳（メタデータ） (2023-10-23T17:53:09Z)
• Learning Representations without Compositional Assumptions [79.12273403390311]
  本稿では,特徴集合をグラフノードとして表現し,それらの関係を学習可能なエッジとして表現することで,特徴集合の依存関係を学習するデータ駆動型アプローチを提案する。 また,複数のビューから情報を動的に集約するために,より小さな潜在グラフを学習する新しい階層グラフオートエンコーダLEGATOを導入する。
  論文  参考訳（メタデータ） (2023-05-31T10:36:10Z)
• Association Graph Learning for Multi-Task Classification with Category Shifts [68.58829338426712]
  関連する分類タスクが同じラベル空間を共有し、同時に学習されるマルチタスク分類に焦点を当てる。 我々は、不足クラスのためのタスク間で知識を伝達する関連グラフを学習する。 我々の手法は代表的基準よりも一貫して性能が良い。
  論文  参考訳（メタデータ） (2022-10-10T12:37:41Z)
• Use All The Labels: A Hierarchical Multi-Label Contrastive Learning Framework [75.79736930414715]
  本稿では,すべての利用可能なラベルを活用でき,クラス間の階層的関係を維持できる階層型多言語表現学習フレームワークを提案する。 比較損失に階層的ペナルティを併用し,その階層的制約を強制する。
  論文  参考訳（メタデータ） (2022-04-27T21:41:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。