热点事件持续更新

arXiv发布表格ML数据缩放研究

1 篇报道1 个报道来源8 小时前更新

先了解这件事

AI 综述

2026年10月19日，研究者Ivan Rubachev在arXiv平台发布论文《表格 ML 中的数据缩放：更多数据带来更好的泛化吗？》（arXiv:2610.26794）。该研究旨在探讨在表格机器学习场景下，增加数据量是否必然带来模型泛化能力的提升。研究团队选取了8个包含千万级样本的表格数据集进行大规模实验，对比了梯度提升决策树（GBDT）、多层感知机（MLP）以及表格基础模型的表现。结果显示，GBDT与MLP在数据扩展时的趋势相似，但表格基础模型在分布偏移场景下，随上下文增大获益更为一致。在强分布偏移条件下，实验发现MLP若使用代表评估条件的验证数据进行模型选择，其性能可维持或提升。相比之下，基础模型虽通过将此类样本纳入上下文提升了当前性能，但未能阻止随训练数据规模增加而出现的性能衰退现象。

AI 根据报道生成 · 2 小时前更新

最新进展10月20日 12:00

表格 ML 中的数据扩展：更多数据带来更好的泛化吗？

报道时间线

沿着报道，了解事件的不同侧面。

10月20日

12:00
arXiv · ML
表格 ML 中的数据扩展：更多数据带来更好的泛化吗？
研究通过 8 个最大含千万级样本的表格数据集发现，GBDT 和 MLP 模型扩展趋势相似，而表格基础模型在分布偏移下随上下文增大获益更一致。在强分布偏移下，MLP 使用代表评估条件的验证数据进行选择时性能可维持或提升；而基础模型将此类样本纳入上下文虽提升当前性能，却未能防止随着训练数据规模增加导致的性能衰退。

本事件热度走势

可比范围当前: 8
可比范围峰值: 810月20日 18:00
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。