PriorLabs/tabpfn-extensions

解决的问题

提供一套实验性工具，扩展 TabPFN（表格式数据模型）的功能。通过添加对复杂分类任务、模型可解释性以及高级统计分析的支持，弥补核心库的局限性。

工作原理

这些扩展作为本地 PyTorch TabPFN 包或基于云的 TabPFN 客户端之上的一个层级。根据具体扩展，它们利用 TabPFN 的内部机制（如密集样本嵌入），或将其作为贝叶斯优化等其他流程的代理模型使用。

适用人群

需要超越基础分类或回归功能的表格式数据数据科学家和机器学习工程师，特别是需要模型可解释性、数据增强或生存分析的用户。

主要亮点

• 可解释性：使用 SHAP 值和特征选择来解释预测结果。
• 多类别支持：支持标准 TabPFN 检查点无法处理的更多类别的分类问题。
• 无监督学习：提供异常检测和数据生成的工具。
• 贝叶斯优化：使用 TabPFN 作为代理模型，结合可微分的期望改进（Expected Improvement）。
• TabEBM：基于 TabPFN 的能量模型（Energy-Based Models）进行数据增强。
• 统计检验：通过 pval_crt 提供特征相关性检验的 p 值。