LAMDA-Tabular/TALENT

解決的問題

TALENT 透過提供統一的基準與全面的機器學習工具箱，解決了在表格資料上優化模型效能的挑戰。它簡化了在廣泛資料集上比較各種演算法（從傳統的樹狀基礎方法到最新的深度學習與基礎模型）的過程。

如何運作

TALENT 將超過 45 種不同的表格學習方法整合至單一框架中。提供標準化的預處理（正規化與編碼）、超參數調校與評估工具。該工具箱支援多種架構，包括：

• 深度學習：MLP、ResNets，以及基於權杖的方法如 FT-Transformer 與 TabTransformer。
• 樹狀模擬模型：NODE、TabNet 與 GRANDE。
• 表格基礎模型：TabPFN（v1 至 v3）、TabICL 與 Google 的 TabFM，這些模型利用上下文學習實現零樣本或少樣本預測。
• 專用演算法：RFM 與 xRFM，用於無反向傳播的特徵學習。

適用對象

專為需要評估、基準測試或實作表格資料最尖端機器學習模型的資料科學家（從新手到專家）所設計。

主要亮點

• 龐大的方法庫：包含 30 種以上的深度學習架構，以及多種傳統與樹狀基礎方法。
• 廣泛的基準測試：附帶 300 個資料集，涵蓋各種任務類型、大小與領域。
• 基礎模型支援：整合支援前沿的表格基礎模型，如 TabPFN 與 TabFM。
• 使用者友善的流程：內建超參數搜尋空間、決策門檻調校與校準指標（Brier、ECE）支援。