論文の概要: Do Tabular Foundation Models Still Need Feature Engineering?

• arxiv url: http://arxiv.org/abs/2609.13202v1
• Date: Fri, 14 Aug 2026 13:21:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 16:32:15.65538
• Title: Do Tabular Foundation Models Still Need Feature Engineering?
• Title（参考訳）: タブラルファウンデーションモデルは、まだ機能エンジニアリングが必要ですか?
• Abstract要約: 機能工学の進歩は、初期のモデル世代に集中しており、最強モデルでは無視可能であることを示す。 しかし、補完的な実験では、関連するデータセットからコンテキスト内情報を追加することで、パフォーマンスが向上する。
• 参考スコア（独自算出の注目度）: 6.97033025985015
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Feature engineering has long been a cornerstone of tabular machine learning. Tabular foundation models (TFMs) are pretrained on a wide range of tabular datasets and applied via in-context learning. Their rise raises a natural question: does manual feature construction still matter as these models become more capable? To answer this, we perform a controlled study across several versions of two major TFM families, testing a wide range of existing feature engineering techniques on benchmark datasets from TabArena. We find a consistent pattern: feature engineering gains are concentrated in earlier model generations and become negligible for the strongest models. These results suggest that stronger TFMs depend less on explicitly engineered input representations. In a complementary experiment, however, adding in-context information from related datasets still improves performance. Our findings indicate a shift in the source of performance gains for stronger TFMs: re-representing existing inputs becomes less effective, while providing additional task-relevant context remains beneficial.
• Abstract（参考訳）: 機能エンジニアリングは長年、表形式の機械学習の基盤だった。 タブラル基礎モデル(TFM)は、幅広い表形式のデータセットで事前訓練され、コンテキスト内学習を通じて適用される。 これらのモデルがより有能になるにつれて、手動の機能構築は依然として重要か? これに対応するために、TabArenaのベンチマークデータセット上で、さまざまな機能エンジニアリング技術をテストするため、2つの主要なFMファミリーの複数バージョンにわたる制御された調査を行った。 機能エンジニアリングの成果は、初期のモデル世代に集中しており、最強のモデルでは無視できるものになっています。 これらの結果から,強い TFM は明示的に設計された入力表現に依存しない可能性が示唆された。 しかし、補完的な実験では、関連するデータセットからコンテキスト内情報を追加することで、パフォーマンスが向上する。 既存のインプットの再表現は効率が悪くなり,タスク関連コンテキストの追加も有益である。

関連論文リスト

• Understanding the Surprising Generalization Properties of Tabular Foundation Models [39.6543292456356]
  驚くほど強い転送は、単一の実際のテーブル上での自己粒度の事前学習から生じる可能性がある。 同じタスク中心の視点が、大規模にコーパスを設計するのに役立ちます。
  論文  参考訳（メタデータ） (2026-08-18T16:11:08Z)
• 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)
• Does Math Reasoning Improve General LLM Capabilities? Understanding Transferability of LLM Reasoning [75.31797502976802]
  幅広いタスクからなる20以上のオープンウェイト推論チューニングモデルを評価した。 数学で成功するほとんどのモデルは、利得を他の領域に移すことができない。 以上の結果から,標準のポストトレーニングレシピを再考する必要性が示唆された。
  論文  参考訳（メタデータ） (2025-07-01T05:23:05Z)
• 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)
• TabDPT: Scaling Tabular Foundation Models on Real Data [20.00390825519329]
  ICLに基づく検索と自己教師付き学習を組み合わせた基礎モデルの学習手法を提案する。 事前学習フェーズに実際のデータを組み込むことで、学習が大幅に速くなり、見当たらないデータへの一般化が向上することを示す。 得られたモデルであるTabDPTは回帰 (CTR23) と分類 (CC18) のベンチマークで最高の性能を達成する。
  論文  参考訳（メタデータ） (2024-10-23T18:00:00Z)
• Why Tabular Foundation Models Should Be a Research Priority [65.75744962286538]
  タブラルデータは、多くの分野において支配的なモダリティであるが、研究の注意がほとんど与えられず、スケールとパワーの面ではかなり遅れている。 私たちは現在、表形式の基礎モデル、あるいはLTM(Large Tabular Model)と呼ばれるものの開発を始める時が来たと信じています。
  論文  参考訳（メタデータ） (2024-05-02T10:05:16Z)
• From Supervised to Generative: A Novel Paradigm for Tabular Deep Learning with Large Language Models [18.219485459836285]
  GTL(Generative Tabular Learning)は、大規模言語モデル(LLM)の高度な機能を統合する新しいフレームワークである。 我々の実証的研究は、GTLのスケーリングの振る舞いを厳格に分析し、384の公開データセットにまたがる。 GTL-LLaMA-2モデルは、多くの分類および回帰タスクにまたがる優れたゼロショットおよびインコンテキスト学習能力を示す。
  論文  参考訳（メタデータ） (2023-10-11T09:37:38Z)
• Large Language Models with Controllable Working Memory [64.71038763708161]
  大規模言語モデル(LLM)は、自然言語処理(NLP)の一連のブレークスルーをもたらした。 これらのモデルをさらに切り離すのは、事前訓練中に内在する膨大な量の世界的知識だ。 モデルの世界知識が、文脈で提示された事実情報とどのように相互作用するかは、まだ解明されていない。
  論文  参考訳（メタデータ） (2022-11-09T18:58:29Z)

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。