PriorLabs/TabPFN

解決的問題

TabPFN 是一種表格基礎模型，可在單次前向傳播中對表格資料執行分類與迴歸。它消除了傳統迭代訓練或超參數調校的需求，無需手動資料預處理（如縮放或獨熱編碼），即可在小至中等規模的資料集上提供高精度預測。

工作原理

TabPFN 是一種基於 Transformer 的模型，使用合成資料集進行訓練。它透過將訓練集視為輸入的一部分，學習預測未見過的真實世界資料集的標籤。該架構（特別是 TabPFN-3）利用分佈嵌入器，隨後是行內與跨行注意力機制，為每一列產生預測。

適用對象

適用於需要對表格資料進行快速、精確預測的資料科學家與機器學習工程師，以及透過無程式碼圖形介面（TabPFN UX）使用的業務使用者。

主要亮點

• 零樣本推論：無需迭代訓練，單次前向傳播即可對未見過的資料集進行預測。
• 無需預處理：可處理遺失值，無需特徵縮放或獨熱編碼。
• 廣泛相容：支援分類與迴歸任務。
• 彈性部署：提供本地 PyTorch 實作、雲端基礎 API 客戶端與無程式碼 UX。
• 可擴展限制：TabPFN-3 支援最多 1,000,000 筆資料與 200 個特徵的資料集（行數與特徵數之間存在權衡）。