arXiv · ML· Kanghui Ning, Marin Bilo\v{s}, James T. Wilson, Yilang Zhang, Kashif Rasul, Dongjin Song, Anderson Schneider, Yuriy Nevmyvaka·· 2026-10-09AI 评分22
表格基础模型测试时计算:机制、增益与局限性
Test-Time Compute for Tabular Foundation Models: Mechanisms, Gains, and Limits
AI 导读
研究系统分析了适应、聚合和上下文构建三种测试时计算机制对表格基础模型预测的影响。 DiagScale 仅训练模型 0.003-0.03% 的参数,其增益可与全量微调相比。在 96 种配置的聚合中,贪心选择使误差相对降低 2.4%,但均匀平均反而增加误差。 适应和选择性聚合带来一致的基准层面增益,且二者结合可进一步提升效果。
来源:arXiv · ML · arxiv.org