待验证50% 置信事实精确时间
TabPFN是一类基于Transformer的表格基础模型，样本量在几千行以内、特征数在百级以内时表现最佳。
1
来源数
50%
置信度
长期有效
时效性
2026/10/18
首次发现
来源
涉及实体
相关事实
已验证TabPFN（Tabular Prior-Data Fitted Network）由Hollmann等人于2023年提出，在大量合成表格数据集上预训练Transformer来学习表格预测元任务70% 相似已验证TabPFN在推理时将整个训练集拼接为Transformer输入序列，单次前向传播即完成预测，无需梯度更新70% 相似待验证TabPFN通过Transformer的注意力机制在行与行之间建立关联，相当于内部模拟贝叶斯推断进行后验估计67% 相似待验证TabPFN属于基于模型的元学习类别，将整个学习算法编码到Transformer的权重中，因此推理时不需要显式的参数更新过程67% 相似待验证TabFM完全使用合成数据训练，对每张表采样随机因果图生成行数据，并强制模型预测被遮盖的单元格62% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1058901API
curl https://kongchang.com/api/v1/knowledge/claims/1058901MCP
get_claim(id=1058901)