OpenTabular/DeepTab

解決的問題

DeepTab 簡化了將深度學習應用於表格資料的過程。它消除了手動預處理、架構選擇和訓練迴圈的样板程式碼等常見障礙，提供一個統一的、與 scikit-learn 兼容的介面，支援多種專為表格資料設計的神經網路架構。

工作原理

DeepTab 基於 PyTorch 與 PyTorch Lightning 建構，將複雜的神經網路架構封裝為熟悉的 fit/predict/evaluate 工作流程。它與 PreTab 集成，可自動完成特徵類型偵測、編碼與縮放。該庫提供一個包含 15 種穩定架構的「模型動物園」——包括受 Mamba 啟發的狀態空間模型、Transformer 以及樹狀啟發式網路——每種架構均可作為分類器、迴歸器或用於不確定性量化（LSS）的分佈模型使用。

適用對象

專為希望在不編寫自訂訓練迴圈或手動預處理流程的情況下，利用深度學習處理表格資料的資料科學家與 ML 工程師設計，同時也適用於需要標準化框架來對比不同表格深度學習架構的研究人員。

核心亮點

• scikit-learn API：可無縫整合至現有流程中，並支援 GridSearchCV 進行超參數調校。
• 廣泛的模型動物園：涵蓋 15 種以上穩定架構，包括狀態空間模型（Mambular）、Transformer（FTTransformer、TabTransformer）與樹狀啟發式模型（NODE）等家族。
• 自動預處理：透過 PreTab 自動處理混合特徵類型、縮放與遺失值。
• 分佈迴歸：支援 LSS 模型，可預測完整的機率分佈，而不僅是點估計。
• 部署就緒：提供 InferenceModel 用於唯讀預測介面，以及 .deeptab 格式，可打包權重、資料模式與預處理設定，便於快速重新載入。
• 可觀測性：支援可選的結構化日誌記錄，並與 MLflow 與 TensorBoard 集成，用於實驗追蹤。