待验证50% 置信基准精确时间
Grinsztajn等人2022年在NeurIPS发表的基准研究证明，在中等规模表格数据集上，GBDT类模型持续优于深度学习方法
1
来源数
50%
置信度
长期有效
时效性
2026/8/5
首次发现
来源
相关事实
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68% 相似待验证许多深度学习模型在权重量化到4位后仍能保持95%以上的推理精度68% 相似待验证流形假设由Bengio、LeCun等深度学习先驱提出，认为高维真实数据近似分布在低维光滑流形上67% 相似待验证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66% 相似待验证梯度提升树（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66% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/689002API
curl https://kongchang.com/api/v1/knowledge/claims/689002MCP
get_claim(id=689002)