PriorLabs/tabpfn-extensions

解決的問題

提供一組實驗性工具，擴展 TabPFN（表格資料模型）的功能。透過新增對複雜分類任務、模型可解釋性以及進階統計分析的支援，彌補核心函式庫的限制。

運作方式

這些擴展作為本地 PyTorch TabPFN 套件或雲端型 TabPFN 客戶端之上的層級。根據特定擴展，它們會利用 TabPFN 的內部機制（例如密集樣本嵌入），或將其作為貝葉斯最佳化等其他流程的代理模型使用。

適用對象

需要超越基本分類或迴歸功能的表格資料資料科學家與機器學習工程師，特別是需要模型可解釋性、資料增強或生存分析的使用者。

主要特色

• 可解釋性：使用 SHAP 值與特徵選擇來解釋預測結果。
• 多類別支援：支援標準 TabPFN 檢查點無法處理的更多類別分類問題。
• 無監督學習：提供異常檢測與資料產生的工具。
• 貝葉斯最佳化：使用 TabPFN 作為代理模型，結合可微分的期望改進（Expected Improvement）。
• TabEBM：基於 TabPFN 的能量模型（Energy-Based Models）進行資料增強。
• 統計檢定：透過 pval_crt 提供特徵相關性檢定的 p 值。