論文の概要: TabBench-Bio: A Living Benchmark for Machine Learning on High-Dimensional Biomedical Tables

• arxiv url: http://arxiv.org/abs/2609.07441v1
• Date: Mon, 07 Sep 2026 12:50:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.427208
• Title: TabBench-Bio: A Living Benchmark for Machine Learning on High-Dimensional Biomedical Tables
• Title（参考訳）: TabBench-Bio: バイオメディカルテーブル上での機械学習のためのリビングベンチマーク
• Abstract要約: 複数のドメインにまたがる43のバイオメディカルデータセットの、生きたインタラクティブなベンチマークであるTabBench-Bioを紹介する。 古典的推定器、ニューラルネットワーク、および28のフィーチャー・バイ・サンプル・オペレーションポイントで表された基礎モデルを比較した。 RealTabPFN v2.5は最高点推定を持ち、次にロジスティック回帰とTabDPTが続く。
• 参考スコア（独自算出の注目度）: 0.3914676152740142
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Biomedical tables often combine thousands of measured variables with only tens or hundreds of labelled samples, a regime that is poorly represented in general-purpose tabular benchmarks. We introduce TabBench-Bio, a living and interactive benchmark of 43 biomedical datasets spanning multiple domains. Under a shared cross-validation protocol, we compare classical estimators, neural networks, and tabular foundation models across 28 feature-by-sample operating points. At the reference cell of 10,000 features and 100 training samples, RealTabPFN v2.5 has the highest point estimate, followed by Logistic Regression and TabDPT, whose point estimates are nearly identical. A paired bootstrap over the target pool separates RealTabPFN v2.5 from Logistic Regression by 145 Elo (95% interval [59, 232]). Tabular foundation models generally occupy the leading ranks, while the strongest configuration depends on the operating point and biomedical modality. The AutoML framework AutoGluon, using its one-hour "extreme" preset, is configured as a separate resource-intensive reference and is reported here at the reference cell. Fold-level predictions, run status, and deterministic aggregations make every reported result reproducible and reusable. We invite the community to contribute: TabBench-Bio is designed to grow, and we welcome submissions of new biomedical tabular datasets, particularly from underrepresented assays and clinical endpoints, for inclusion in future releases. The interactive leaderboard is available at: https://tabbench-bio.eu
• Abstract（参考訳）: バイオメディカルテーブルは、数千の変数を数十から数百のラベル付きサンプルと組み合わせることが多い。 複数のドメインにまたがる43のバイオメディカルデータセットの、生きたインタラクティブなベンチマークであるTabBench-Bioを紹介する。 共通のクロスバリデーションプロトコルでは、28のフィーチャー・バイ・サンプル・オペレーションポイントに対して、古典的推定器、ニューラルネットワーク、および表層基礎モデルを比較します。 1万のフィーチャと100のトレーニングサンプルのリファレンスセルでは、RealTabPFN v2.5が最高点推定を持ち、その後にロジスティック回帰とTabDPTが続く。 ターゲットプール上のペアブートストラップは、RealTabPFN v2.5をロジスティック回帰から145 Elo(95%インターバル [59, 232])に分離する。 タブラル基礎モデルは典型的には上位に位置するが、最も強い構成は操作点と生物医学的モダリティに依存する。 AutoMLフレームワークであるAutoGluonは、1時間の"Extreme"プリセットを使用して、リソース集約参照として設定され、参照セルで報告される。 フォールドレベルの予測、実行状態、決定論的集約は、報告されたすべての結果を再現可能で再利用可能なものにします。 TabBench-Bioは、成長するために設計されており、特に、未表示のアッセイや臨床エンドポイントから、新しいバイオメディカルな表型データセットの提出を歓迎します。 インタラクティブなリーダーボードは以下の通り。

関連論文リスト

• EXAONE Tabular 1.0 : Technical Report [12.091751977253866]
  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。
  論文  参考訳（メタデータ） (2026-08-26T13:17:20Z)
• 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)
• 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)
• TabularMath: Evaluating Computational Extrapolation in Tabular Learning via Program-Verified Synthesis [22.883505574924303]
  8KとAIMEに基づく検証プログラムから生成される114個の決定論的問題(233,472行)の診断ベンチマークであるTabularMathを提案する。 標準回帰指標では、TabPFN v2.5は、分布シフト下においてもR2=0.998の分布を達成し、正のR2を維持することができる。 丸みを帯びた一貫性(正確には整数の精度)を測定すると、別の図が現れる。 TabPFN v2.5は配布外データで10%以下に低下し、ICLは約40%を維持します。
  論文  参考訳（メタデータ） (2026-01-25T23:44:03Z)
• 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)
• TabICL: A Tabular Foundation Model for In-Context Learning on Large Data [15.08819125687632]
  最大60Kサンプルの合成データセットを事前学習した表層ベースモデルであるTabICLを導入する。 TALENTベンチマークから200を越える分類データセットのうち、TabICLはTabPFNv2と同等であり、体系的に高速(最大10倍)である。 10K以上のサンプルを持つ53のデータセットで、TabICLはTabPFNv2とCatBoostを上回り、大規模データに対するICLの可能性を示している。
  論文  参考訳（メタデータ） (2025-02-08T13:25:04Z)
• 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)
• 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)
• STUNT: Few-shot Tabular Learning with Self-generated Tasks from Unlabeled Tables [64.0903766169603]
  我々は,Unlabeled Tables (STUNT) からの自己生成タスクを作成した,数発のセミ教師付き学習のためのフレームワークを提案する。 私たちのキーとなるアイデアは、ランダムに選択された列をターゲットラベルとして扱うことで、多様なショットタスクを自己生成することです。 次に、メタラーニング手法を用いて、構築されたタスクで一般化可能な知識を学習する。
  論文  参考訳（メタデータ） (2023-03-02T02:37:54Z)
• BioTABQA: Instruction Learning for Biomedical Table Question Answering [19.66452178704578]
  TQA(Table Question Answering)は重要な課題であるが、未調査の課題である。 TQAデータセットは、情報の提示に頻繁に使用される生物医学領域には存在しない。 BioTABQAは、モデルにテーブルからの質問に答える方法を教えるだけでなく、モデルが目に見えない質問にどのように一般化するかを評価するのにも使える。
  論文  参考訳（メタデータ） (2022-07-06T03:40:10Z)
• TabPFN: A Transformer That Solves Small Tabular Classification Problems in a Second [48.87527918630822]
  トレーニングされたトランスフォーマーであるTabPFNは、小さなデータセットの教師付き分類を1秒以内で行うことができる。 TabPFNはコンテキスト内学習(ICL)を行い、ラベル付きサンプルのシーケンスを使用して予測を行う。 提案手法は, 強化木よりも明らかに優れており, 230$times$ Speedupの複雑なAutoMLシステムと同等性能を示す。
  論文  参考訳（メタデータ） (2022-07-05T07:17:43Z)

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。