跳到正文
热点事件持续更新

arXiv发表表格基础模型缩放律研究

1 篇报道1 个报道来源13 小时前更新

先了解这件事

AI 综述

2026年11月19日,Johannes Hog等研究者在arXiv平台发表名为《Towards Reliable Scaling Laws for Tabular Foundation Models》的论文,专门针对TabPFNv2类表格基础模型的扩展定律可靠性展开深入研究。 论文指出,此类模型在合成分数与真实数据集间的扩展趋势存在显著差异,若仅依赖少量数据集进行选参,极易导致对模型性能的过高估计。 研究团队通过开源的nanoTabPFN训练管线展示了优化路径,建议扩大合成预训练数据规模并增加采样行数与特征数,以改善模型性能并实现更可预测的扩展趋势。

AI 根据报道生成 · 12 小时前更新

报道时间线

沿着报道,了解事件的不同侧面。

11月19日
  1. arXiv · ML
    TabPFNv2 式表格基础模型:可靠扩展定律与 nanoTabPFN 开源训练管线

    研究表明 TabPFNv2 类模型的扩展定律在合成分数与真实数据集间存在差异,依赖少量数据集选参会导致性能高估。 需同步扩大合成预训练数据集规模以优化计算分配,增加预训练时采样的最大行数与特征数可改善性能并产生更可预测的扩展趋势。 这些洞察通过 nanoTabPFN 开源训练管线指导更高效模型的开发。

本事件热度走势

可比范围当前
7
可比范围峰值
911月19日 15:00
近 24 小时变化
–

趋势仅比较持续完整观测到的相同主体,范围可能小于当前热度统计。移动指针或点击图表查看每小时热度;键盘可用左右方向键切换。