論文の概要: SkillTFM: Gated Skill Evolution for Training-Free Adaptation of Tabular Foundation Models

• arxiv url: http://arxiv.org/abs/2608.06137v1
• Date: Thu, 06 Aug 2026 15:09:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 15:25:20.938709
• Title: SkillTFM: Gated Skill Evolution for Training-Free Adaptation of Tabular Foundation Models
• Title（参考訳）: SkillTFM: タブラル基礎モデルの学習自由適応のためのゲーテッドスキル進化
• Abstract要約: SkillTFMは,Tarbular Foundation Modelsをエージェントスキルのゲート進化から再利用可能なスキルへ移行する学習自由システムである。 SkillTFMは、シミュレーションされた境界設定と実世界の電力価格予測を通じて、AUCを0.128-0.142改善し、非線形境界AUCを0.699から0.898に引き上げる。
• 参考スコア（独自算出の注目度）: 59.078670951794415
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Tabular data are ubiquitous in real-world applications and are crucial for data-driven prediction and decision-making across science, industry, finance, healthcare, and public services. Tabular foundation models (TFMs) have emerged as a promising paradigm for general-purpose tabular learning, offering reusable predictors across diverse datasets and substantially reducing the need for task-specific training, tuning, and model development. However, their practical deployment remains constrained by distribution shifts, heterogeneous feature semantics, and task-specific patterns that are difficult to capture without costly fine-tuning or additional labeled data. To this end, we propose SkillTFM, a training-free system that shifts TFM adaptation from parameter updates to the gated evolution of agentic skills. The core of SkillTFM is a verifiable and extensible skill bank that couples boundary evidence identification with gated skill evolution: the former characterizes task structure and base-model failure patterns, whereas the latter retrieves and extends reusable skills subject to explicit validation. Across simulated boundary settings and real-world electricity-price forecasting, SkillTFM improves AUC by 0.128--0.142, raises nonlinear-boundary AUC from 0.699 to 0.898. Furthermore, experiments across TFM backbones demonstrate the effectiveness and generality of SkillTFM.
• Abstract（参考訳）: タブラルデータは現実世界の応用においてユビキタスであり、科学、産業、金融、医療、および公共サービス全体にわたってデータ駆動予測と意思決定に不可欠である。 タブラル基礎モデル(TFM)は、汎用的な表型学習のための有望なパラダイムとして現れ、多様なデータセットにまたがる再利用可能な予測器を提供し、タスク固有のトレーニング、チューニング、モデル開発の必要性を大幅に減らした。 しかし、それらの実践的なデプロイメントは、分散シフト、不均一な特徴セマンティクス、そしてコストのかかる微調整や追加ラベル付きデータなしではキャプチャが難しいタスク固有のパターンによって制約されている。 そこで本研究では,TFM適応をパラメータ更新からエージェントスキルのゲート進化へ移行させる学習自由システムであるSkillTFMを提案する。 SkillTFMのコアは検証可能な拡張可能なスキルバンクで、境界証拠の識別とゲートスキルの進化を結合する: 前者はタスク構造とベースモデル失敗パターンを特徴付けるが、後者は明示的な検証対象の再利用可能なスキルを検索し拡張する。 SkillTFMは、シミュレーションされた境界設定と実世界の電力価格予測を通じて、AUCを0.128-0.142改善し、非線形境界AUCを0.699から0.898に引き上げる。 さらに, TFMバックボーンを用いた実験により, SkillTFMの有効性と汎用性を示した。

関連論文リスト

• Training Fair Tabular Foundation Models [16.092437823158402]
  合成フェアネスタスクに基づくスケーラブルなトレーニング戦略と、勾配反転層を用いたフェアネス対応アーキテクチャを提案する。 132のフェアネスタスクの実験は、競争精度を維持しながら、フェアネスが一貫した改善を示す。
  論文  参考訳（メタデータ） (2026-08-14T11:40:04Z)
• DIVE: Unlocking Self-Improvement in Frozen Language Models Through Diversity-Driven Skill Evolution [30.082997083095847]
  大規模言語モデル(LLM)は、パラメーター更新なしでは、デプロイ後のエクスペリエンスを維持することができない。 課題経験や検証者からのフィードバックを進化させることで、凍結LDMの改善を可能にする多様性駆動型フレームワークであるDIVEを紹介した。
  論文  参考訳（メタデータ） (2026-08-12T18:06:41Z)
• ASDA: Automated Skill Distillation and Adaptation for Financial Reasoning [12.07645818151562]
  構造化されたスキルアーティファクトを自動的に生成するフレームワークであるASDA(Automated Skill Distillation and Adaptation)を紹介する。 教師モデルは、財務的推論タスクにおいて、学生モデルの失敗を分析する。 ASDAは算術的推論では+17.33%、非算術的推論では+5.95%の改善を達成している。
  論文  参考訳（メタデータ） (2026-03-17T04:25:54Z)
• Robust Tabular Foundation Models [0.7539295827164078]
  重要な発見は、TFMは完全に合成データセット上で事前訓練可能であることである。 TFM性能と最高の達成可能な性能の差から得られる最適性ギャップ尺度を導入する。 これらの結果は、合成データのみを用いて、ターゲットとなる敵の訓練とTFMの微調整のための有望な新しいデータセットを浮き彫りにした。
  論文  参考訳（メタデータ） (2025-12-02T23:40:39Z)
• Can Time-Series Foundation Models Perform Building Energy Management Tasks? [5.450531952940644]
  エネルギー管理タスクを構築するには、さまざまな時系列データからの処理と学習が必要である。 既存のソリューションは、これらのタスクを実行するために、bespokeタスクとデータ固有のモデルに依存しています。 LLM(Large Language Models)の変革的な成功に触発されて、TSFM(Time-Series Foundation Models)は、これを変える可能性を秘めている。
  論文  参考訳（メタデータ） (2025-06-12T19:45:10Z)
• UniErase: Towards Balanced and Precise Unlearning in Language Models [69.04923022755547]
  大規模言語モデル(LLM)は、古い情報問題に対処するために反復的な更新を必要とする。 UniEraseは、知識の未学習と能力保持の間の精度とバランスの取れたパフォーマンスを示す、新しいアンラーニングフレームワークである。
  論文  参考訳（メタデータ） (2025-05-21T15:53:28Z)
• Meta-Statistical Learning: Supervised Learning of Statistical Inference [59.463430294611626]
  この研究は、大きな言語モデル(LLM)の成功を駆動するツールと原則が、分散レベルのタスクに取り組むために再利用可能であることを実証している。 本稿では,統計的推論タスクを教師付き学習問題として再構成するマルチインスタンス学習に触発されたメタ統計学習を提案する。
  論文  参考訳（メタデータ） (2025-02-17T18:04:39Z)
• TEA: Test-time Energy Adaptation [67.4574269851666]
  テスト時間適応(TTA)は、テストデータがトレーニング分布から分岐する際のモデル一般化性を改善することを目的としている。 本稿では,対象データ分布に対するモデルによる認識を高めるための,新しいエネルギーベース視点を提案する。
  論文  参考訳（メタデータ） (2023-11-24T10:49:49Z)
• Task-Distributionally Robust Data-Free Meta-Learning [99.56612787882334]
  Data-Free Meta-Learning (DFML)は、複数の事前学習モデルを活用することで、独自のトレーニングデータを必要とせずに、新しいタスクを効率的に学習することを目的としている。 TDS(Task-Distribution Shift)とTDC(Task-Distribution Corruption)の2つの大きな課題を初めて明らかにした。
  論文  参考訳（メタデータ） (2023-11-23T15:46:54Z)
• CTP: Towards Vision-Language Continual Pretraining via Compatible Momentum Contrast and Topology Preservation [128.00940554196976]
  Vision-Language Continual Pretraining (VLCP)は、大規模なデータセット上でオフラインでトレーニングすることで、さまざまな下流タスクに対して印象的な結果を示している。 VLCP(Vision-Language Continual Pretraining)の研究を支援するために,我々はまず,包括的で統一されたベンチマークデータセットP9Dをコントリビュートする。 独立したタスクとしての各業界からのデータは、継続的な学習をサポートし、Webデータの事前学習をシミュレートする現実世界のロングテールな性質に準拠している。
  論文  参考訳（メタデータ） (2023-08-14T13:53:18Z)
• Design of Negative Sampling Strategies for Distantly Supervised Skill Extraction [19.43668931500507]
  本稿では,リテラルマッチングによる遠隔監視に基づく,スキル抽出のためのエンドツーエンドシステムを提案する。 ESCO分類を用いて、関連するスキルからネガティブな例を選択することで、最大の改善が得られます。 我々は,タスクのさらなる研究を促進するために,研究目的のベンチマークデータセットをリリースする。
  論文  参考訳（メタデータ） (2022-09-13T13:37:06Z)
• Plex: Towards Reliability using Pretrained Large Model Extensions [69.13326436826227]
  我々は,視覚と言語モダリティのための事前訓練された大規模モデル拡張であるViT-PlexとT5-Plexを開発した。 Plexは信頼性タスク間の最先端性を大幅に改善し、従来のプロトコルを単純化する。 最大1Bパラメータまでのモデルサイズに対するスケーリング効果と,最大4B例までのデータセットサイズを事前トレーニングした。
  論文  参考訳（メタデータ） (2022-07-15T11:39:37Z)

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。