Fugu-MT 論文翻訳(概要): Mitra-v2 Technical Report

論文の概要: Mitra-v2 Technical Report

arxiv url: http://arxiv.org/abs/2609.04540v1
Date: Thu, 03 Sep 2026 22:55:05 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-07 18:15:23.845842
Title: Mitra-v2 Technical Report
Title（参考訳）: Mitra-v2技術報告
Abstract要約: Mitra-v2は、現実世界の分類と回帰問題に対して最先端のパフォーマンスを提供する。 Mitra-v2は、より長いコンテキストとより大きな機能空間をサポートする。 TabArenaベンチマークでは、Mitra-v2は業界規模のTabFMとEXAONE Tabularモデルのレベルで最先端のパフォーマンスを提供する。
参考スコア（独自算出の注目度）: 34.118032551565506
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We introduce Mitra-v2, a tabular foundation model that delivers state-of-the-art performance on real-world classification and regression problems, from credit-risk scoring and clinical prediction to equipment-failure detection and house-price estimation. Mitra-v2 is trained only on synthetic data, with a pretraining distribution that is much larger and more diverse than Mitra-v1's. Built on a small 2D Transformer backbone, Mitra-v2 supports longer contexts and larger feature spaces. Improved optimization lets it learn from this larger task distribution. We evaluate Mitra-v2 on the TabArena and TALENT benchmarks, comprising more than 300 real-world datasets under two evaluation protocols. On the full TabArena benchmark, Mitra-v2 delivers state-of-the-art performance at the level of the industry-scale TabFM and EXAONE Tabular models, while surpassing TabPFN-3 by a wide margin in both classification and regression. Mitra-v2 matches the 1.6B-parameter TabFM with only 5% of its size (77M parameters), delivering frontier performance at a fraction of the cost. On TALENT, Mitra-v2 remains among the leading models, clearly outperforming TabPFN-3 and TabICLv2. It also ranks first on classification tasks with more than ten classes, even though it was pretrained only on tasks with at most ten classes. These results make Mitra-v2 one of the strongest and most broadly applicable open tabular foundation models released to date. We release the model weights, the inference and fine-tuning code, and our evaluation results under the Apache-2.0 license.
Abstract（参考訳）: そこで本稿では,リスク評価や臨床予測から機器故障検出,住宅価格推定に至るまで,現実の分類と回帰問題に対する最先端のパフォーマンスを実現するための表層基盤モデルMitra-v2を紹介する。 Mitra-v2は合成データのみに基づいて訓練され、Mitra-v1よりもはるかに大きく多様な事前学習分布を持つ。小さな2Dトランスフォーマーのバックボーン上に構築されたMitra-v2は、より長いコンテキストとより大きな機能空間をサポートする。最適化の改善により、この大きなタスク分散から学ぶことができる。我々はTabArenaとTALENTのベンチマークでMitra-v2を評価し、300以上の実世界のデータセットを2つの評価プロトコルで構成した。完全なTabArenaベンチマークでは、Mitra-v2は業界規模のTabFMとEXAONEタブラルモデルのレベルで最先端のパフォーマンスを提供し、TabPFN-3は分類とレグレッションの両方で大きな差をつけている。 Mitra-v2は1.6BパラメーターのTabFMのサイズをわずか5%(77Mパラメータ)で一致させ、フロンティア性能をほんの少しのコストで実現した。 TALENTでは、Mitra-v2はTabPFN-3やTabICLv2より明らかに優れている。また、クラスが10以上あるクラスで最初にランク付けされるが、クラスが10以上あるクラスでのみ事前訓練されている。これらの結果により、Mitra-v2は最も強力で、最も広く適用可能なオープンタブ形式の基盤モデルの一つとなった。モデルウェイト、推論、微調整コード、そしてApache-2.0ライセンス下での評価結果をリリースします。

関連論文リスト

OmniV2X: A Generative Foundation Planner for Efficient End-to-End Cooperative Driving [14.897356806344696]
我々は、V2X(V2X)協調運転のための生成基盤モデルであるOmniV2Xを提案する。このモデルは、マルチモーダルおよびマルチエージェント観測を含む独立したコンテキストシーケンスを直接解釈する。
論文参考訳（メタデータ） (2026-06-19T07:00:14Z)
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)
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)
TRivia: Self-supervised Fine-tuning of Vision-Language Models for Table Recognition [54.85932472676512]
テーブル認識(TR)は、テーブルイメージをHTMLやマークダウンなどの半構造化表現に変換することを目的としている。我々は、事前学習された視覚言語モデルで、ラベルのないテーブルイメージから直接TRを学習できる自己教師型微調整手法であるTRiviaを紹介する。我々は,既存のシステムを超越した,オープンソースでコンパクトで最先端のTRモデルであるTRivia-3Bを提案する。
論文参考訳（メタデータ） (2025-12-01T03:49:00Z)
TabPFN-2.5: Advancing the State of the Art in Tabular Foundation Models [76.52858476275865]
TabPFN-2.5は5万のデータポイントと2,000の機能を持つデータセット用に構築されている。チューニングされたツリーベースモデルとAutoGluon 1.4の精度を大幅に上回った。生産用として,TabPFN-2.5を小型または木製アンサンブルに変換する新しい蒸留エンジンを導入する。
論文参考訳（メタデータ） (2025-11-11T18:57:15Z)
VLM2Vec: Training Vision-Language Models for Massive Multimodal Embedding Tasks [60.5257456681402]
幅広い下流タスクを扱える普遍的な埋め込みを構築する可能性について検討する。 We build a series of VLM2Vec model on SoTA VLMs like Phi-3.5-V, LLaVA-1.6 and evaluate them on MMEB's evaluation split。以上の結果から,VLM2Vecは既存のマルチモーダル埋め込みモデルよりも10%から20%の絶対的な平均的改善を実現していることがわかった。
論文参考訳（メタデータ） (2024-10-07T16:14:05Z)
ECAvg: An Edge-Cloud Collaborative Learning Approach using Averaged Weights [1.338174941551702]
リソース制約のあるエッジデバイスは、計算集約的なタスクをサーバにオフロードすることで、サーバが提供する豊富なコンピューティングパワーの恩恵を受けることができる。一方、エッジデバイスは、データソースに近づき、より計算集約的なタスクをデータ上で実行することができる。エッジデバイスがそれぞれのデータセット上のローカルモデルを事前訓練し、細調整のためにモデルをサーバに転送する、ECAvgと呼ばれるコラボレーティブなエッジクラウドパラダイムを提案する。
論文参考訳（メタデータ） (2023-10-05T18:17:26Z)
MSeg: A Composite Dataset for Multi-domain Semantic Segmentation [100.17755160696939]
セマンティックセグメンテーションデータセットを異なるドメインから統合する合成データセットであるMSegを提案する。一般化と画素レベルのアノテーションのアライメントを調整し,2万枚以上のオブジェクトマスクを8万枚以上の画像で再現する。 MSegでトレーニングされたモデルは、WildDash-v1のリーダーボードで、トレーニング中にWildDashのデータに触れることなく、堅牢なセマンティックセグメンテーションのためにランク付けされている。
論文参考訳（メタデータ） (2021-12-27T16:16:35Z)

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。