論文の概要: Exploring Differences Between Tabular Enterprise Data and Public Benchmarks
- arxiv url: http://arxiv.org/abs/2606.30452v1
- Date: Mon, 29 Jun 2026 15:21:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-30 18:07:16.301271
- Title: Exploring Differences Between Tabular Enterprise Data and Public Benchmarks
- Title（参考訳）: タブラルエンタープライズデータと公開ベンチマークの違いを探る
- Abstract要約: タブラルデータはデータサイエンスのランドスケープを支配し、革新的な機械学習モデルとカスタマイズされたベンチマークをますます惹きつけている。
本研究の目的は、データ統計と性能測定の分析を提供することにより、企業データの特徴を実感することである。
- 参考スコア（独自算出の注目度）: 2.2301226527276783
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Tabular data dominate the landscape of data science, increasingly attracting innovative machine learning models and tailored benchmarks. Yet, little is known for enterprise data, where tables constitute the backbone of business operations. To broaden the benchmarking landscape for business applications, this work aims to actualize the characteristics of enterprise data by providing an analysis of data statistics and performance measurements of tabular models such as TabPFN, TabICL and ConTextTab. Through our analysis, we find enterprise data markedly differ from tabular benchmarks and we demonstrate that a tabular model that performs well on typical tabular benchmarks may perform poorly on real world enterprise data -- and vice versa. This lack of generalization underlines the need for additional benchmarks with enterprise-grade characteristics.
- Abstract（参考訳）: タブラルデータはデータサイエンスのランドスケープを支配し、革新的な機械学習モデルとカスタマイズされたベンチマークをますます惹きつけている。
しかし、テーブルがビジネスオペレーションのバックボーンを構成するエンタープライズデータについてはほとんど知られていない。
本研究の目的は,TabPFN,TabICL,ConTextTabなどの表形式モデルのデータ統計解析と性能測定を提供することで,企業データの特徴を実現することである。
分析の結果、企業データは表型ベンチマークと大きく異なり、典型的な表型ベンチマークでうまく機能する表型モデルは、実際の企業データではパフォーマンスが悪く、その逆も可能であることが判明した。
この一般化の欠如は、エンタープライズグレードの特徴を持つ追加のベンチマークの必要性を浮き彫りにする。
関連論文リスト
- Beyond IID: How General Are Tabular Foundation Models, Really? [76.03669797389378]
研究コミュニティは、多様なデータセットやタスクに関する基礎モデルをますます評価している。
標準ベンチマークは主に、表形式の基礎モデルがすでに優れているタスクのために定義されている。
BeyondArenaは、グラフデータのための最初の統一された総合的なベンチマークである。
論文 参考訳（メタデータ） (2026-06-29T14:55:52Z) - MulTaBench: Benchmarking Multimodal Tabular Learning with Text and Image [52.47434184153733]
MulTaBenchは40のデータセットのベンチマークで、画像-タブラルタスクとテキスト-タブラルタスクを等しく分割する。
テキストと画像のモダリティにまたがって、ターゲット認識表現のチューニングによる利得が一般化されることを示す。
論文 参考訳（メタデータ） (2026-05-11T14:12:05Z) - Towards Universal Tabular Embeddings: A Benchmark Across Data Tasks [15.117602507724726]
タブラル表現学習モデルは、タスクやドメイン間で転送されるデータの普遍的な表現を学習することを目的としている。
既存の手法は、直接比較が難しいタスク固有の設定で評価されることが多い。
TEmBedは、4つの表現レベルにまたがる埋め込みを体系的に評価するためのベンチマークである。
論文 参考訳（メタデータ） (2026-04-23T14:05:38Z) - OmniTabBench: Mapping the Empirical Frontiers of GBDTs, Neural Networks, and Foundation Models for Tabular Data at Scale [82.32822441887886]
私たちはこれまでで最大のベンチマークであるOmniTabBenchを紹介します。
我々は、OmniTabBench上で、すべてのモデルファミリーから最先端モデルの大規模な評価を行い、支配的な勝者がいないことを確認した。
論文 参考訳（メタデータ） (2026-04-08T08:31:43Z) - 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) - TabFSBench: Tabular Benchmark for Feature Shifts in Open Environments [45.368146581808276]
タブラルデータは様々な機械学習タスクで広く利用されている。
これまでの研究は主に分布シフトを緩和することに集中してきたが、特徴シフトは限定的な注目を集めた。
本稿では,表型データにおける特徴シフトに関する最初の包括的研究を行い,最初の表型特徴シフトベンチマーク(TabFSBench)を紹介する。
論文 参考訳（メタデータ） (2025-01-31T07:40:34Z) - TabReD: Analyzing Pitfalls and Filling the Gaps in Tabular Deep Learning Benchmarks [30.922069185335246]
典型的産業応用における表型データの2つの共通特性は、通常文献で評価に使用されるデータセットに不足している。
運用環境におけるデータセットのかなりの部分は、広範なデータ取得と機能エンジニアリングパイプラインに由来する。
これは、学術的なデータセットと比較して、予測的、非形式的、相関的な特徴の絶対的および相対的な数に影響を与える可能性がある。
論文 参考訳（メタデータ） (2024-06-27T17:55:31Z) - LaTable: Towards Large Tabular Models [63.995130144110156]
タブラル生成基盤モデルは、異なるデータセットの不均一な特徴空間のために構築が困難である。
LaTableは、これらの課題に対処し、異なるデータセットでトレーニング可能な、新しい拡散モデルである。
LaTableは、分散生成のベースラインよりも優れており、微調整されたLaTableは、より少ないサンプルで分散データセットをより良く生成できる。
論文 参考訳（メタデータ） (2024-06-25T16:03:50Z) - 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) - Leveraging Data Recasting to Enhance Tabular Reasoning [21.970920861791015]
これまでの作業は、主に2つのデータ生成戦略に依存していた。
ひとつは人間のアノテーションで、言語学的に多様なデータを生成するが、拡張は困難である。
第2のカテゴリは合成生成であり、スケーラブルで費用対効果があるが、発明性に欠ける。
論文 参考訳（メタデータ） (2022-11-23T00:04:57Z)
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。