PriorLabs/TabPFN

何を解決するか

TabPFN は、1回のフォワードパスで分類と回帰を実行できる、表形式の基礎モデルです。従来の反復的トレーニングやハイパーパラメータチューニングの必要性を排除し、スケーリングやワンホットエンコーディングなどの手動データ前処理を必要とせずに、小規模から中規模のデータセットに対して高精度な予測を提供します。

動作原理

TabPFN は合成データセット上で訓練されたトランスフォーマー基盤のモデルです。訓練データセットを入力の一部として扱うことで、未知の実世界データセットのラベルを予測する能力を学習します。アーキテクチャ（特に TabPFN-3）は、分布エンベッダーに続いて、行ごとのアテンションと行間アテンション機構を用いて、各行ごとに予測を生成します。

対象ユーザー

データサイエンティストや機械学習エンジニアが表形式データに対して高速かつ高精度な予測が必要な場合、また、ノーコードのグラフィカルインターフェース（TabPFN UX）を通じてビジネスユーザーが利用できるように設計されています。

特徴

• ゼロショット推論：反復的トレーニングなしで、1回のフォワードパスで未観測データセットに対する予測が可能。
• 前処理不要：欠損値を処理でき、特徴量のスケーリングやワンホットエンコーディングを必要としない。
• 広範な互換性：分類および回帰タスクをサポート。
• 柔軟なデプロイ：ローカルの PyTorch 実装、クラウドベースの API クライアント、ノーコード UX のいずれかで利用可能。
• スケーラブルな制限：TabPFN-3 は最大 1,000,000 行、200 特徴量のデータセットをサポート（行数と特徴量数の間でトレードオフあり）。