PriorLabs/tabpfn-extensions

TabPFN 확장 – 빠른 개요

이것은 무엇인가 – TabPFN 라이브러리(빠르고 transformer 스타일의 표 형식 데이터 예측기) 위에 위치한 선택적 애드온 모음입니다. 확장 기능은 TabPFN을 보다 범용적인 도구 상자로 만듭니다: 해석 가능성, 다중 클래스 처리, 비지도 작업, 이미지 열, 베이지안 최적화 등.

왜 중요한가 – TabPFN은 이미 표 형식 데이터에 즉시 사용 가능한 분류기/回归器를 제공합니다. 이러한 확장 기능을 통해 다음을 수행할 수 있습니다:

• 使用 SHAP 和部分依赖图解释预测。
• 将 TabPFN 推向其原生类别限制之外。
• 生成合成行、检测异常值或填补缺失值。
• 通过自动将图片（文件路径、base64、PIL 图像等）转换为冻结的 DINOv3 嵌入，将其输入表格模型。
• 使用模型的预测分布进行贝叶斯优化或统计检验。

所有这些都是实验性的（README 警告 API 可能会更改），但代码是开源的、可通过 pip 安装，并附带笔记本和每个扩展的 README。

---

核心扩展（如 README 中所列）

扩展	添加内容
interpretability	SHAP 值、特征选择工具、部分依赖图
many_class	处理超过 TabPFN 检查点支持的目标类别的策略
unsupervised	数据生成、填补、异常检测
embedding	访问 TabPFN 内部密集样本嵌入（仅限本地）
image	在 TabPFN 看到图像列之前自动将其转换为冻结的 DINOv3 特征
tabebm	通过基于 TabPFN 的基于能量的模型进行数据增强
pval_crt	条件随机化检验，为特征相关性提供 p 值
bayesian_optimization	使用 TabPFN 作为代理模型，具有精确的期望改进（仅限本地）

---

入门

# 直接从仓库安装（包括所有扩展的可选依赖）
pip install "tabpfn-extensions[all] @ git+https://github.com/PriorLabs/tabpfn-extensions.git"

您还需要底层的 TabPFN 实现：

• 本地推理 – pip install tabpfn（完整 PyTorch 版本）– 对于 embedding 和 bayesian_optimization 是必需的。
• 云端推理 – pip install "tabpfn-client>=0.2.7" – 适用于大多数其他扩展。

README 中链接了一个 Colab 笔记本，提供了安装、分类、回归和几个扩展的动手演练。

---

更多详情请参阅

• 示例文件夹 – 每个扩展的即用脚本/笔记本（例如，examples/bayesian_optimization/）。
• 每个扩展的 README – 更深入的文档位于源代码旁边（src/tabpfn_extensions/.../README.md）。
• 在线文档 – 选定的扩展在 https://docs.priorlabs.ai 有完整指南（例如，多类别 指南）。
• 社区 – Discord 徽章、Twitter 和贡献者列表；项目鼓励拉取请求，并使用 uv 工具进行开发。

---

典型用例

1. 解释 TabPFN 模型 – 无需编写自定义代码即可生成 SHAP 值并对特征进行排名。
2. 处理超过 100 个类别 – 拆分或映射问题，以便仍然可以使用 TabPFN。
3. 将图像数据添加到表格数据集 – 放置一列图像路径，让扩展自动将其转换为 DINOv3 嵌入。
4. 运行贝叶斯优化 – 将 TabPFN 的预测分布视为代理模型，并优化超参数或实验条件。
5. 合成数据与异常检测 – 以无监督方式生成逼真的行或标记异常条目。

---

许可证与治理

• 许可证： Apache 2.0（根据徽章和 LICENSE 文件）。
• 遥测： 仓库引用了遥测政策，表明可能会收集一些使用数据（详情见单独的 TELEMETRY.md）。
• 贡献： 欢迎贡献；项目使用 uv 进行环境管理，并提供 CONTRIBUTING 指南。

---

总结

TabPFN 扩展 是 TabPFN 表格机器学习模型的真正开源附加套件，提供可解释性、多类别处理、图像支持、无监督工具、贝叶斯优化等。通过 pip 安装，选择您需要的后端（本地 PyTorch 或云端客户端），并按照提供的笔记本或每个扩展的 README 开始扩展 TabPFN 的功能。