論文の概要: TabPFN-3.5: Technical Report

• arxiv url: http://arxiv.org/abs/2609.17895v2
• Date: Tue, 22 Sep 2026 17:28:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.636343
• Title: TabPFN-3.5: Technical Report
• Title（参考訳）: TabPFN-3.5 技術報告
• Abstract要約: 新たなフラッグシップであるTabular Foundation ModelであるTabPFN-3.5を紹介します。 これは前機種のTabPFN-3と既存のベースラインを大きく上回っている。 高速な推論のために、我々の変種TabPFN-3.5-FastはTabPFN-3の最大3倍高速に動作します。 TabPFN-3.5-Plusをアップグレードし、マルチモーダル機能を拡張します。
• 参考スコア（独自算出の注目度）: 72.56497134792198
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce TabPFN-3.5, our new flagship Tabular Foundation Model. It significantly outperforms its predecessor, TabPFN-3, and all existing baselines across a broad range of tabular problems. TabPFN-3.5 sets a new state of the art on standard tabular prediction in TabArena, and extends it to the data practitioners encounter in practice: non-i.i.d. data with temporal or grouped splits, tables with strings, text and images, high-cardinality categorical features, and wide tables with many features. These gains carry over to our task-specific harnesses: state of the art on relational data and stronger time-series forecasting. For faster inference, our variant TabPFN-3.5-Fast runs up to 3x faster than TabPFN-3 while keeping most of the accuracy gains. In addition, we upgrade TabPFN-3.5-Plus, expanding our multimodal capabilities with advanced text and date handling alongside proprietary inference optimizations. Finally, we release a new version of our Thinking mode, TabPFN-3.5-Thinking, which scales inference-time computation to push the state of the art further. It benefits from our stronger base model and from inference-time improvements that make it up to 12x faster than TabPFN-3-Thinking.
• Abstract（参考訳）: 新たなフラッグシップであるTabular Foundation ModelであるTabPFN-3.5を紹介します。 これは前機種であるTabPFN-3よりも大幅に優れており、既存のベースラインは全て表計算の問題に及んでいる。 TabPFN-3.5は、TabArenaの標準的な表形式予測に新たな最先端を設定し、実際に遭遇するデータ実践者に拡張する。 これらの成果は、リレーショナルデータの最先端とより強力な時系列予測という、タスク固有のハーネスに続きます。 高速な推論のために、我々の変種であるTabPFN-3.5-FastはTabPFN-3よりも最大3倍速く動作し、精度のほとんどを維持しています。 さらに、TabPFN-3.5-Plusをアップグレードし、プロプライエタリな推論最適化とともに、高度なテキストと日付処理によるマルチモーダル機能を拡張します。 最後に、私たちはThinkingモードの新バージョンTabPFN-3.5-Thinkingをリリースしました。 これは私たちの強力なベースモデルと、TabPFN-3-Thinkingの最大12倍高速な推論時間の改善の恩恵を受けています。

関連論文リスト

• 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)
• 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)
• nanoTabPFN: A Lightweight and Educational Reimplementation of TabPFN [78.62756717376563]
  NanoTabPFNはTabPFN v2アーキテクチャとそれに対応するトレーニングループの軽量実装である。 1つのGPUでの事前トレーニングから1分以内に、従来の機械学習ベースラインに匹敵するパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-11-05T16:52:51Z)
• Chunked TabPFN: Exact Training-Free In-Context Learning for Long-Context Tabular Data [2.2682391370097794]
  本稿では,TabPFNフレームワーク内での注目度を計算するためのタイルブロック戦略を提案する。 この設計は標準のGPUセットアップと互換性がある。 標準TabArenaベンチマークにおいて,提案手法の有効性を示す。
  論文  参考訳（メタデータ） (2025-08-30T02:57:01Z)
• Tokenize features, enhancing tables: the FT-TABPFN model for tabular classification [13.481699494376809]
  FT-TabPFNはTabPFNの拡張版で、分類機能をよりよく扱うための新しい機能トークン化レイヤを含んでいる。 私たちの完全なソースコードは、コミュニティの利用と開発に利用可能です。
  論文  参考訳（メタデータ） (2024-06-11T02:13:46Z)
• TuneTables: Context Optimization for Scalable Prior-Data Fitted Networks [90.00817095558094]
  事前データ対応ネットワーク(PFN)は、事前学習とコンテキスト内学習を利用して、1つのフォワードパスで新しいタスクの強力なパフォーマンスを実現する。 我々は、大規模なデータセットをより小さな学習コンテキストに圧縮するPFNのパラメータ効率の良い微調整戦略であるTuneTablesを紹介した。 我々は、TuneTablesを解釈可能性ツールとして使用することができ、公平性目標を最適化することでバイアスを軽減することができることを示した。
  論文  参考訳（メタデータ） (2024-02-17T00:02:23Z)

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。