PriorLabs/tabpfn-extensions

何を解決するか

TabPFN（表形式データ用のモデル）の機能を拡張する実験的なツールのセットを提供します。コアライブラリの制限を補完し、複雑な分類タスク、モデルの解釈可能性、高度な統計解析のサポートを追加します。

動作方法

これらの拡張機能は、ローカルの PyTorch TabPFN パッケージまたはクラウドベースの TabPFN Client の上にレイヤーとして機能します。特定の拡張機能によっては、TabPFN の内部メカニズム（例：密なサンプル埋め込み）を活用するか、ベイズ最適化などの他のプロセスにおける代理モデルとして使用します。

対象ユーザー

基本的な分類や回帰を超えた機能が必要な、表形式データを扱うデータサイエンティストや ML エンジニア。特に、モデルの説明可能性、データ拡張、生存分析を必要とするユーザーに適しています。

主な特徴

• 解釈可能性: SHAP 値と特徴選択を用いて予測を説明します。
• 多数クラス対応: 標準の TabPFN チェックポイントがサポートするクラス数を超える分類問題に対応します。
• 教師なし学習: 外れ値検出とデータ生成のためのツールを提供します。
• ベイズ最適化: 微分可能な期待改善（Expected Improvement）を用いて TabPFN を代理モデルとして使用します。
• TabEBM: TabPFN を基盤とするエネルギー関数モデル（Energy-Based Models）を用いたデータ拡張を実行します。
• 統計検定: pval_crt を通じて特徴の重要性検定の p 値を提供します。