論文の概要: Balanced Adaptive Prototype Selection for Scalable TabPFN Inference on Large-Scale Tabular Data

• arxiv url: http://arxiv.org/abs/2608.12989v1
• Date: Thu, 13 Aug 2026 09:12:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-14 18:29:38.459969
• Title: Balanced Adaptive Prototype Selection for Scalable TabPFN Inference on Large-Scale Tabular Data
• Title（参考訳）: 大規模タブラルデータを用いたスケーラブルタブPFN推論のための平衡適応型プロトタイプ選択
• Abstract要約: 本稿では,スケーラブルなTabPFN推論のためのコンパクトな情報保存コンテキストを構築するためのフレームワークであるBa balanced Adaptive Prototype Selection (BAPS)を紹介する。 百万のHIGGSとSUSYデータセットの実験は、512のプロトタイプが強力な予測性能と信頼性のある校正を維持していることを示している。
• 参考スコア（独自算出の注目度）: 1.9768907237963547
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pretrained tabular foundation models have demonstrated strong predictive capability; however, their application to large-scale datasets remains constrained by the limited inference context. This paper introduces Balanced Adaptive Prototype Selection (BAPS), a framework for constructing compact, information-preserving contexts for scalable TabPFN inference. Without modifying or retraining the pretrained model, BAPS jointly preserves representative structure, informative decision boundaries, local density, class balance, and feature-space diversity. Experiments on the million-row HIGGS and SUSY datasets show that 512 prototypes retain strong predictive performance and reliable calibration, corresponding to an approximately 1,953-fold context compression. All experiments were conducted on an Intel Core i7 CPU with 16 GB RAM and no GPU acceleration. These findings establish effective context construction as a practical mechanism for extending pretrained tabular foundation models to million-scale datasets.
• Abstract（参考訳）: 事前訓練された表形式の基礎モデルは強い予測能力を示してきたが、大規模なデータセットへの適用は限定的な推論コンテキストによって制限されている。 本稿では,スケーラブルなTabPFN推論のためのコンパクトな情報保存コンテキストを構築するためのフレームワークであるBa balanced Adaptive Prototype Selection (BAPS)を紹介する。 事前訓練されたモデルの変更や再訓練なしに、BAPSは代表構造、情報的決定境界、局所密度、クラスバランス、特徴空間の多様性を共同で保持する。 百万のHIGGSデータセットとSUSYデータセットの実験では、約1,953倍のコンテキスト圧縮に対応して、512のプロトタイプが強い予測性能と信頼性の高いキャリブレーションを維持していることが示されている。 すべての実験は、Intel Core i7 CPUで16GBのRAMとGPUアクセラレーションなしで実施された。 これらの知見は,事前学習した表層基盤モデルを100万件のデータセットに拡張するための実践的なメカニズムとして,効果的なコンテキスト構築を確立した。

関連論文リスト

• Customer Churn Prediction on Structured Data Using FT-Transformer and Stacking Ensembles [0.0]
  本研究では,特徴量変換器(FT-Transformer)をキャリブレーション積み重ねによる勾配木と統合したハイブリッドアーキテクチャを提案する。 提案手法は, 統計的検証, 確率, キャリブレーションの持続的ギャップに対処し, 先行研究で確認された。 パブリックバンクチャーンデータセットでは、ハイブリッドモデル62.10% F1、0.861 AUC-ROC、0.647 PR-AUCがMulti-Layer Perceptron(MLP)ベースラインを3.37 F1ポイント、0.027 AUCを95%の信頼区間で上回っている。
  論文  参考訳（メタデータ） (2026-05-26T23:02:38Z)
• Benchmarking Tabular Foundation Models for Conditional Density Estimation in Regression [2.4816602844974835]
  条件密度推定は、不均一性、多モード性、あるいは非対称不確実性の設定において必須である。 TabPFNやTabICLのようなテーブル基礎モデルは自然に予測分布を生成するが、汎用CDE手法としての有効性は体系的に評価されていない。 39の現実世界のデータセット上で、パラメトリック、ツリーベース、ニューラルCDEベースラインの多種多様なセットに対して、3つのモデル変種をベンチマークする。
  論文  参考訳（メタデータ） (2026-03-27T17:07:21Z)
• End-to-End Compression for Tabular Foundation Models [20.50130399990578]
  本稿では,学習データセットを潜在空間で圧縮するエンドツーエンド圧縮モデルTACOを提案する。 提案手法は推論時間で最大94倍高速で、最大97%のメモリを消費するTabArenaベンチマークでテストした。
  論文  参考訳（メタデータ） (2026-02-05T13:33:58Z)
• GRIP: Geometric Refinement and Adaptive Information Potential for Data Efficiency [28.832806758251607]
  textbfGRIP (Geometric Refinement and Adaptive Information Potential) は、コーパスを情報密度幾何学空間としてモデル化することにより、これらの次元を統一するフレームワークである。 我々の研究は、大規模事前学習における適応データキュレーションのための堅牢な幾何学的基礎を確立する。
  論文  参考訳（メタデータ） (2026-02-04T15:23:24Z)
• Causal Pre-training Under the Fairness Lens: An Empirical Study of TabPFN [3.059960033014892]
  Tabular Prior-data Fitted Network (TabPFN) とその微調整版の評価を行った。 以上の結果から,TabPFNはベースラインに比べて高い予測精度を達成できるが,公平性の改善は適度で矛盾することがわかった。 以上の結果から,TabPFNの因果前訓練はアルゴリズム的公平性には不十分であることが示唆された。
  論文  参考訳（メタデータ） (2026-01-25T17:17:12Z)
• Can Small Training Runs Reliably Guide Data Curation? Rethinking Proxy-Model Practice [109.9635246405237]
  データ品質に関する実験結果が、ハイパーパラメータのトレーニングに微調整を加えることで、反転できることを示す。 評価プロトコルに簡単なパッチを導入し、プロキシモデルのトレーニングに学習率を削減した。 実験により,データキュレーションの4つの重要な次元をカバーする23種類のデータレシピに対して,このアプローチを検証した。
  論文  参考訳（メタデータ） (2025-12-30T23:02:44Z)
• Estimating Time Series Foundation Model Transferability via In-Context Learning [74.65355820906355]
  時系列基礎モデル(TSFM)は、大規模な事前訓練を通じて強力なゼロショット予測を提供する。 微調整は、公開データに制限のあるドメインのパフォーマンス向上に依然として不可欠である。 モデル選択をコンテキスト内学習問題として再キャストする転送可能性推定フレームワークであるTimeTicを紹介する。
  論文  参考訳（メタデータ） (2025-09-28T07:07:13Z)
• SPaRFT: Self-Paced Reinforcement Fine-Tuning for Large Language Models [51.74498855100541]
  大規模言語モデル(LLM)は、強化学習(RL)による微調整時に強い推論能力を示す。 トレーニング対象のモデルの性能に基づいて,効率的な学習を可能にする自己評価学習フレームワークである textbfSPaRFT を提案する。
  論文  参考訳（メタデータ） (2025-08-07T03:50:48Z)
• FedAWA: Adaptive Optimization of Aggregation Weights in Federated Learning Using Client Vectors [50.131271229165165]
  Federated Learning (FL)は、分散機械学習のための有望なフレームワークとして登場した。 ユーザの行動、好み、デバイス特性の相違から生じるデータの異質性は、連合学習にとって重要な課題である。 本稿では,学習過程におけるクライアントベクトルに基づくアダプティブ重み付けを適応的に調整する手法であるAdaptive Weight Aggregation (FedAWA)を提案する。
  論文  参考訳（メタデータ） (2025-03-20T04:49:40Z)
• A Closer Look at TabPFN v2: Understanding Its Strengths and Extending Its Capabilities [51.08999772842298]
  Tabular Prior-data Fitted Network v2 (TabPFN v2)は、さまざまな下流データセット間で、前例のないコンテキスト内学習性能を達成する。 本研究では,TabPFN v2が属性トークンをランダムに入力しても属性関係を推測可能であることを示す。 我々はTabPFN v2の制限がテスト時間分割・コンテキスト戦略によって対処できることを実証した。
  論文  参考訳（メタデータ） (2025-02-24T17:38:42Z)
• Test-Time Adaptation Induces Stronger Accuracy and Agreement-on-the-Line [65.14099135546594]
  最近のテスト時間適応 (TTA) 法は, モデルに非常に弱い相関関係を示すシフトであっても, ACL と AGL の傾向を大幅に強化する。 この結果から,TTAとAGLに基づく推定手法を組み合わせることで,より広い分布シフトの集合に対する高精度なモデルOOD性能を推定できることが示唆された。
  論文  参考訳（メタデータ） (2023-10-07T23:21:25Z)
• MediTab: Scaling Medical Tabular Data Predictors via Data Consolidation, Enrichment, and Refinement [44.693325083735424]
  患者の健康リスク予測などの医療応用において,タブラルデータ予測が採用されている。 以前の予測子は、手動でキュレートされた小さなデータセットでトレーニングされることが多い。
  論文  参考訳（メタデータ） (2023-05-20T03:37:09Z)

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。