OpenTabular/DeepTab

해결하는 문제

DeepTab은 테이블 데이터에 딥러닝을 적용하는 것을 간소화합니다. 수동 전처리, 아키텍처 선택, 학습 루프 보일러플레이트와 같은 일반적인 장애 요소를 제거하고, 테이블 전용으로 설계된 다양한 신경망 아키텍처를 통합적으로 사용할 수 있는 scikit-learn 호환 인터페이스를 제공합니다.

작동 방식

DeepTab은 PyTorch와 PyTorch Lightning 기반으로 구축되어 있으며, 복잡한 신경망 아키텍처를 익숙한 fit/predict/evaluate 워크플로우로 래핑합니다. PreTab과 통합되어 자동으로 특성 유형 탐지, 인코딩, 스케일링을 처리합니다. Mamba 기반 상태공간 모델, Transformer, 트리 기반 네트워크를 포함한 15개 이상의 안정적인 아키텍처를 포함하는 '모델 동물원'을 제공하며, 각각 분류기, 회귀기, 또는 불확실성 측정을 위한 분포형(LSS) 모델로 사용 가능합니다.

대상 사용자

커스텀 학습 루프나 수동 전처리 파이프라인을 작성하지 않고도 테이블 데이터에 딥러닝을 활용하고자 하는 데이터 사이언티스트 및 ML 엔지니어, 그리고 다양한 테이블 기반 딥러닝 아키텍처를 표준화된 프레임워크로 벤치마킹하고자 하는 연구자에게 적합합니다.

주요 기능

• scikit-learn API: 기존 파이프라인에 쉽게 통합 가능하며, GridSearchCV를 사용한 하이퍼파라미터 튜닝 지원.
• 넓은 모델 동물원: 상태공간 모델(Mambular), Transformer(FTTransformer, TabTransformer), 트리 기반 모델(NODE) 등 다양한 아키텍처 패밀리에 걸쳐 15개 이상의 안정적인 아키텍처 포함.
• 자동 전처리: PreTab을 통해 혼합 특성 유형, 스케일링, 결측값을 자동으로 처리.
• 분포 회귀: 포인트 추정뿐만 아니라 전체 확률 분포를 예측하는 LSS 모델 지원.
• 배포 준비 완료: 읽기 전용 예측 인터페이스를 제공하는 InferenceModel과, 가중치, 스키마, 전처리 정보를 함께 패키징한 .deeptab 형식으로 쉽게 재로딩 가능.
• 관측성: 선택적 구조화된 로깅과 MLflow, TensorBoard와의 통합을 통해 실험 추적 가능.