論文の概要: EXAONE Tabular 1.0 : Technical Report

• arxiv url: http://arxiv.org/abs/2608.25774v1
• Date: Wed, 26 Aug 2026 13:17:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-27 14:15:15.840486
• Title: EXAONE Tabular 1.0 : Technical Report
• Title（参考訳）: EXAONE Tabular 1.0 : 技術報告
• Abstract要約: EXAONE Tabularは、分類と回帰のためのコンパクトモデルファミリである。 データセット固有の勾配更新なしで予測を生成する。 高い予測性能と高い効率を兼ね備えている。
• 参考スコア（独自算出の注目度）: 12.091751977253866
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: EXAONE Tabular is a compact tabular foundation model family for classification and regression via in-context learning, producing predictions without dataset-specific gradient updates. Pretrained exclusively on a synthetic structural-causal-model (SCM) prior, its central contribution is an architecture-centered redesign of tabular in-context learning. Rather than compressing features into a fixed row embedding before a separate row-level learner, EXAONE Tabular interleaves feature-axis attention within each item with support-conditioned item-axis attention within each feature at every Transformer layer, mediated by item-summary and feature-summary tokens. Across four public benchmarks, EXAONE Tabular combines strong predictive performance with high efficiency. On TabArena, its 20.81M-parameter classification model ranks first overall, surpassing tuned ensembles and 4-hour AutoML pipelines, while regression reaches the performance regime of the 1.64B-parameter TabFM at roughly 1/11 the inference cost. On BCCO and TALENT, EXAONE Tabular ranks second in classification and first in regression. On ScoringBench, it achieves the best mean rank for both point-estimation and predictive-distribution quality, leading the $R^2$, RMSE, and CRPS evaluations. Together, these results establish EXAONE Tabular as a state-of-the-art compact tabular foundation model family, combining strong predictive performance across classification, point regression, and probabilistic regression with an efficient model design.
• Abstract（参考訳）: EXAONE Tabularは、テキスト内学習による分類と回帰のためのコンパクトな表層モデルファウンデーションファミリーであり、データセット固有の勾配更新なしで予測を生成する。 SCM(Synthetic Structure-Causal-model, 合成構造因果モデル)に特化して、その中心となる貢献は、表形式のインコンテキスト学習をアーキテクチャ中心に再設計することである。 EXAONE Tabularは、各アイテム内の特徴軸の注意を、各トランスフォーマー層における各機能内でサポート条件付きアイテム軸の注意をインターリーブする。 EXAONE Tabularは4つの公開ベンチマークで、強い予測性能と高い効率を組み合わせている。 TabArenaでは、20.81Mパラメータの分類モデルが1位であり、チューニングされたアンサンブルと4時間のAutoMLパイプラインを上回り、レグレッションは1.64BパラメータのTabFMの性能を約1/11で上回っている。 BCCOとTALENTでは、EXAONE Tabularは分類では2位、回帰では1位である。 ScoringBenchでは、点推定と予測分布品質の両方において最高の平均ランクを達成し、$R^2$、RMSE、CRPS評価を導いた。 これらの結果とともに、EXAONE Tabularは、分類、点回帰、確率回帰といった強力な予測性能と効率的なモデル設計を組み合わせた、最先端のコンパクトな表層モデルファミリとして確立された。

関連論文リスト

• Xiaomi-TabLDM: A Tabular Foundation Model Technical Report [30.675451775869274]
  Xiaomi-TabLDMは、文脈内学習による分類と回帰のモデルである。 OpenML-CTR23で1位、TALENT、TabArena、BCCOで2位である。 予測性能と計算コストの大幅な低下を兼ね備えている。
  論文  参考訳（メタデータ） (2026-09-03T14:06:41Z)
• SOMTab: Set-Order Mamba for Efficient Tabular In-Context Learning [30.163512246197843]
  本稿では,テキスト内学習を効率的に行うためのSet-Order MambaアーキテクチャであるSOMTabを紹介する。 行と列の表現については、順序のないテーブルトークンを安定な潜在スロットにマッピングし、Mambaベースの状態空間混合を適用する。 最終的な予測のために、ラベル付きコンテキストの例からクエリ条件付き検索を保存するために、注意ベースのコンテキスト内学習を保持する。
  論文  参考訳（メタデータ） (2026-08-28T03:43:08Z)
• TabSwift: An Efficient Tabular Foundation Model with Row-Wise Attention [47.480923979431886]
  タブラル基礎モデルは、ラベル付きトレーニング例から直接テストラベルを推測して、コンテキスト内学習を通じて予測を行う。 最近のモデルでは、ますます複雑なアーキテクチャによって精度が向上し、推論コストが高くなり、実用的なデプロイメントが制限されることが多い。 ライトウェイトな行ワイドアテンションのみのバックボーンは、2つの単純な拡張と高い競争力を維持することができることを示す。
  論文  参考訳（メタデータ） (2026-06-05T14:55:30Z)
• LimiX-2M: Mitigating Low-Rank Collapse and Attention Bottlenecks in Tabular Foundation Models [56.999481798138625]
  LimiX-2Mは2Mパラメータモデルであり、広く使われているベンチマークでTabPFN-v2とTabICLのベースラインを上回っている。 本稿では,強力なタブラル基礎モデル(TFM)のための統一トークン化・ルートフレームワークを提案する。 その結果、TFMにおける精度-効率トレードオフを改善するキーレバーとして、バリューアウェアトークン化とリードアウト整列ルーティングが強調された。
  論文  参考訳（メタデータ） (2026-06-03T06:07:33Z)
• TabH2O: A Unified Foundation Model for Tabular Prediction [12.882141870947706]
  本研究では,テキスト内学習による1つの前方パスの分類と回帰を行うモデルであるTabH2Oを提案する。 我々はTALENTベンチマークでTabH2O v1(29.2Mパラメータ)を評価し、6つの評価手法のうち平均2.55のランクを達成した。
  論文  参考訳（メタデータ） (2026-05-18T13:27:54Z)
• TabPFN-3: Technical Report [76.55249061301969]
  TabPFN-3はTabPFN上に構築され、1Mのトレーニング行を持つデータセットに最先端のパフォーマンスを拡大し、トレーニングと推論時間を大幅に短縮する。 TabPFN-3は、我々の以前の合成データのみに制限され、表の予測のフロンティアを劇的に押し上げます。 当社のAPIが提供するTabPFN-3-Plus(Thinking)では,TabArena上で200Elo以上の非TabPFNモデルに対して,これを活用しています。
  論文  参考訳（メタデータ） (2026-05-13T18:01:43Z)
• Self-Improving Tabular Language Models via Iterative Group Alignment [76.43372236405664]
  自動フィードバックによるデータ生成のための,最初の自己改善フレームワークであるTabGRAAを紹介する。 新たに生成されたサンプルを高品質なグループと低品質なグループに分割し、グループ相対的な有利な目標を優先順位付けする。 実験では、TabGRAAは、忠実さ、ユーティリティ、プライバシにおいて、既存のメソッドよりも優れています。
  論文  参考訳（メタデータ） (2026-04-21T01:29:52Z)
• RDBLearn: Simple In-Context Prediction Over Relational Databases [21.996337463952255]
  簡単なレシピを簡単なレシピでリレーショナルな予測に拡張できることを示す。 本手法は,Scikit-learn-style estimator インタフェースを備えた使いやすいツールキットである textitRDBLearn に実装する。 RelBenchと4DBInferデータセットの広範なコレクションの中で、RDBLearnは私たちが評価した最も優れた基盤モデルアプローチです。
  論文  参考訳（メタデータ） (2026-02-14T09:24:04Z)
• TabICLv2: A better, faster, scalable, and open tabular foundation model [18.594859017648346]
  3つの柱上に構築された回帰と分類のための新しい最先端基盤モデルであるTabICLv2を紹介する。 Tabiclv2は、50GBのGPUメモリ下での百万規模のデータセットを効果的に一般化し、RealTabPFN-2.5よりも著しく高速である。
  論文  参考訳（メタデータ） (2026-02-11T18:51:02Z)
• Can Graphs Improve Tabular Foundation Models? [0.6901411094880271]
  我々は、RoBERTa-Tab(マスクトケン予測で事前訓練されたRoBERTaスタイルのバックボーン)を拡張した、軽量で静的な二部グラフヘッドBOLEROを紹介する。 TP-BERTaベンチマークスイートから,80の分類と64の回帰データセットを評価した。 BOLEROは、分類と回帰の両方で統計学的に有意な勝利を最も多く達成している。
  論文  参考訳（メタデータ） (2025-12-13T17:34:18Z)
• Mitra: Mixed Synthetic Priors for Enhancing Tabular Foundation Models [85.64873567417396]
  実世界のデータに対して,その多様性,特異性,および性能のために選択された合成前駆体の硬化した混合物をトレーニングしたTFMであるMitraを紹介する。 Mitraは、TabPFNv2やTabICLのような最先端のTFMを、分類と回帰のベンチマークで一貫して上回っている。
  論文  参考訳（メタデータ） (2025-10-24T07:15:06Z)
• 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)
• Generative Table Pre-training Empowers Models for Tabular Prediction [71.76829961276032]
  本稿では,テーブル事前学習を利用した最初の試みであるTapTapを提案する。 TapTapは、プライバシ保護、リソースの低さ、価値計算の欠如、不均衡な分類など、さまざまなアプリケーションをサポートするための高品質な合成テーブルを生成することができる。 LightGBM、Multilayer Perceptron (MLP)、Transformerなどのバックボーンモデルと簡単に組み合わせることができる。
  論文  参考訳（メタデータ） (2023-05-16T06:37:38Z)

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。