OpenTabular/DeepTab

何を解決するか

DeepTabは、テーブルデータに対するディープラーニングの適用を簡素化します。手動での前処理、アーキテクチャ選択、トレーニングループのボイラープレートといった一般的な課題を排除し、テーブル専用に設計された多様なニューラルネットワークアーキテクチャを統合的に扱える、scikit-learn互換のインターフェースを提供します。

動作方法

DeepTabはPyTorchとPyTorch Lightningに基づいて構築されており、複雑なニューラルアーキテクチャを馴染み深い fit/predict/evaluate ワークフローにラップしています。PreTabと統合され、自動的に特徴量のタイプ検出、エンコーディング、スケーリングを処理します。15以上の安定したアーキテクチャ（Mamba由来の状態空間モデル、Transformer、ツリー由来のネットワークなど）を含む「モデルズーラ」を提供しており、各アーキテクチャは分類器、回帰器、または不確実性評価用の分布的（LSS）モデルとして利用可能です。

対象ユーザー

カスタムトレーニングループや手動の前処理パイプラインを書かずに、テーブルデータにディープラーニングを活用したいデータサイエンティストやMLエンジニア、および異なるテーブル用ディープラーニングアーキテクチャを標準化されたフレームワークでベンチマークしたい研究者に最適です。

特徴

• scikit-learn API: 既存のパイプラインに簡単に統合でき、GridSearchCV を使ってハイパーパラメータチューニングが可能。
• 広範なモデルズーラ: 状態空間モデル（Mambular）、Transformer（FTTransformer、TabTransformer）、ツリー由来モデル（NODE）など、複数のアーキテクチャファミリーにまたがる15以上の安定したアーキテクチャを含む。
• 自動前処理: PreTabを介して、混合特徴量タイプ、スケーリング、欠損値を自動的に処理。
• 分布的回帰: ポイント推定だけでなく、完全な確率分布を予測するLSSモデルをサポート。
• デプロイメント対応: 読み取り専用の予測インターフェースを提供する InferenceModel と、重み、スキーマ、前処理をバンドルした .deeptab 形式により、再読み込みが容易。
• 観測性: オプトイン型の構造化ログと、MLflowおよびTensorBoardとの統合により、実験の追跡が可能。