NVIDIA/structured-data-models

해결하는 문제

구조화 데이터(테이블 및 관계형)를 다루기 위한 GPU 네이티브 프레임워크를 제공하며, 새로운 데이터셋마다 방대한 사용자 지정 학습을 수행할 필요 없이 예측을 수행할 수 있는 기초 모델에 대한 통합 인터페이스를 제공합니다.

작동 방식

이 라이브러리는 수치, 범주형, 날짜/시간, 텍스트 등 다양한 데이터 유형을 GPU에서 직접 처리하는 PyTorch 호환 텐서 서브클래스 세트를 구현합니다. 여러 사전 학습된 기초 모델(TabICLv2, KumoTabular, KumoRelational 등)을 통합하고, 원시 데이터에서 모델 추론까지의 워크플로우를 간소화하기 위한 구성 가능한 GPU 가속 전처리 및 후처리 도구를 제공합니다.

대상 사용자

구조화 데이터셋을 다루며, 테이블 또는 관계형 학습에 기초 모델을 활용하는 동시에 GPU 가속을 극대화하여 데이터 이동을 줄이고 속도를 높이고자 하는 데이터 과학자 및 ML 엔지니어.

주요 특징

• 기초 모델 라이브러리: 테이블 모델(TabICLv2, KumoTabular, TabFM) 및 관계형 모델(KumoRelational)에 대한 참조 구현을 포함합니다.
• GPU 네이티브 텐서: PyTorch 호환성을 유지하면서 구조화 데이터를 위해 설계된 특수 텐서 유형.
• 효율적인 추론: 인컨텍스트 학습(in-context learning) 및 키/값 캐싱을 지원하여 빠른 예측 패스를 제공합니다.
• 최적화된 파이프라인: 데이터프레임 작업을 GPU에서 유지하기 위해 cudf와의 통합을 권장합니다.