論文の概要: TabFM: A Zero-Shot Foundation Model for Tabular Data

• arxiv url: http://arxiv.org/abs/2609.37959v1
• Date: Tue, 29 Sep 2026 16:30:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.745832
• Title: TabFM: A Zero-Shot Foundation Model for Tabular Data
• Title（参考訳）: TabFM: 語彙データのためのゼロショット基礎モデル
• Abstract要約: TabFMはタスク固有のチューニングなしで、1つのフォワードパスでゼロショット予測を生成する。 構造因果モデルから生成された合成表で完全に訓練される。 デフォルトのタブ形式のファンデーションモデルと、チューニングされたAutoMLパイプラインのパフォーマンスで第1位である。
• 参考スコア（独自算出の注目度）: 39.144463896125835
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Tabular machine learning typically relies on per-dataset workflows, fitting tree ensembles or running AutoML searches from scratch for every task. We present TabFM, a 400M-parameter tabular foundation model that formulates supervised tabular prediction as in-context learning. TabFM produces calibrated zero-shot predictions in a single forward pass without task-specific tuning. Trained entirely on synthetic tables generated from structural causal models, TabFM learns general tabular representations that transfer zero-shot to real-world tasks. Across all 51 benchmark datasets in TabArena (38 classification and 13 regression), zero-shot TabFM ranks first among default tabular foundation models and outperforms tuned AutoML pipelines. Two extensions over the same frozen weights improve performance further on both tracks: multi-view feature expansion with ensembling and post-hoc calibration (TabFM+), and LLM-guided, dataset-specific data processing and feature engineering (TabFM-Auto).
• Abstract（参考訳）: タブラル機械学習は通常、データセット毎のワークフローに依存し、ツリーアンサンブルを適合させたり、タスク毎にスクラッチからAutoML検索を実行する。 テキスト内学習として教師付き表層予測を定式化する400Mパラメータ表層基盤モデルであるTabFMを提案する。 TabFMはタスク固有のチューニングなしで、単一のフォワードパスでキャリブレーションされたゼロショット予測を生成する。 TabFMは構造因果モデルから生成された合成テーブルで完全に訓練され、ゼロショットを実世界のタスクに転送する一般的な表表表現を学習する。 TabArena(38の分類と13の回帰)の51のベンチマークデータセット全体にわたって、ゼロショットのTabFMは、デフォルトのタブ形式の基盤モデルと、調整済みのAutoMLパイプラインの中で第1位である。 アンサンブルとポストホックキャリブレーション(TabFM+)を備えたマルチビュー機能拡張(TabFM+)と、LLM誘導でデータセット固有のデータ処理と機能エンジニアリング(TabFM-Auto)である。

関連論文リスト

• TabFM-Auto: Self-Evolving Pipelines for Tabular Foundation Models [30.610062765286234]
  TabFM-Autoは、TabFMのエラーを減らすために、データクリーニング、機能エンジニアリング、コンテキスト選択、後処理を反復的に洗練する。 エージェントと言語モデルが異なる5つのTabFM-Auto構成が、全体的なポジションのトップ5を占めている。
  論文  参考訳（メタデータ） (2026-09-29T16:50:56Z)
• 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)
• 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)
• TabularFM: An Open Framework For Tabular Foundational Models [12.027087949876893]
  基礎モデル(FM)は大量のデータから一般化されたパターンを学習することができる。 FMに関するほとんどの研究は、主にテキストや画像のような非構造化データや、時系列のような半構造化データに焦点を当てている。 このギャップに対応するために、構造化データのためのFMを開発する最先端の手法を取り入れたTabularFMというフレームワークを導入する。
  論文  参考訳（メタデータ） (2024-06-14T08:46:33Z)
• Cross-Table Pretraining towards a Universal Function Space for Heterogeneous Tabular Data [35.61663559675556]
  クロスデータセット事前トレーニングは、様々な分野で顕著な成功を収めている。 本研究では,多目的な下流表予測タスクのためのクロステーブル事前学習型トランスであるXTFormerを提案する。 我々の手法は、XTFormerを事前訓練して、全ての潜在的な機能ターゲットマッピングを含む「メタ関数」空間を確立することである。
  論文  参考訳（メタデータ） (2024-06-01T03:24:31Z)
• TAP4LLM: Table Provider on Sampling, Augmenting, and Packing Semi-structured Data for Large Language Model Reasoning [55.33939289989238]
  テーブルベースタスクにおいて,大規模言語モデル(LLM)を効果的に活用するための汎用プリプロセッサスイートとして,TAP4LLMを提案する。 1)大きなテーブルをクエリセマンティクスに基づいて管理可能なサブテーブルに分解するテーブルサンプリング、(2)外部ソースやモデルから追加の知識でテーブルを拡張するテーブル拡張、(3)テーブルパッキングとシリアライゼーションによりテーブルをLLMの理解に適したさまざまなフォーマットに変換する。
  論文  参考訳（メタデータ） (2023-12-14T15:37:04Z)
• 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)
• XTab: Cross-table Pretraining for Tabular Transformers [29.419276738753968]
  XTabは、さまざまなドメインのデータセット上の表型トランスフォーマーのクロステーブル事前トレーニングのためのフレームワークである。 XTabは、複数の表型変換器の一般化性、学習速度、性能を一貫して向上させることを示す。 回帰、二分法、多クラス分類といった様々なタスクにおいて、最先端の表層深層学習モデルよりも優れた性能を実現する。
  論文  参考訳（メタデータ） (2023-05-10T12:17:52Z)

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。