待验证50% 置信事实精确时间
梯度提升树（如XGBoost、LightGBM）长期以来在结构化数据任务上优于深度学习方法，因表格数据特征异质性强、样本量有限且缺乏局部连续性假设
1
来源数
50%
置信度
长期有效
时效性
2026/7/19
首次发现
来源
相关事实
待验证2021年发表的论文《Why do tree-based models still outperform deep learning on tabular data?》验证了在结构化数据上人工特征工程配合梯度提升树在多数情况下仍优于端到端深度学习方案79% 相似待验证统计模型方法对高维数据的扩展性较差，这是深度学习方法逐步崛起的核心原因73% 相似已验证LightGBM是微软开源的梯度提升决策树框架，相较于XGBoost采用了基于直方图的决策树算法和叶子优先（leaf-wise）的树生长策略，在大规模数据集上训练速度更快、内存占用更低71% 相似待验证在数据稀缺和算力受限场景下，搜索+学习的混合架构在样本效率上比端到端深度学习具有显著优势71% 相似待验证LightGBM在大规模数据集上的训练速度显著快于XGBoost，同时在多数基准测试中保持相当或更好的精度71% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/561868API
curl https://kongchang.com/api/v1/knowledge/claims/561868MCP
get_claim(id=561868)