已验证65% 置信事实精确时间
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
3
来源数
65%
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2023年提出的TabPFN首次实现了表格数据的in-context learning，通过将训练样本作为上下文输入在推理时完成小规模数据集分类，无需梯度更新75% 相似待验证TabPFN的预训练使用由结构因果模型和贝叶斯网络等概率生成模型采样得到的合成数据集74% 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73% 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69% 相似待验证TabPFN 在推理时直接把少量示例和待预测输入一起送入前向传播，无需反向传播、GPU 训练集群或持久化保存新模型文件65% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/689007API
curl https://kongchang.com/api/v1/knowledge/claims/689007MCP
get_claim(id=689007)