Distance-KNN
一种基于实例的学习算法，在特征空间中找到查询样本的K个最近邻居，并根据距离反比加权投票进行预测，无需训练，常作为表格分类的强基线。
时间轴 (近 90 天)
该研究通过19个表格分类数据集对比了4个通用LLM与距离加权KNN（Distance-KNN）的表格分类性能。
实验采用控制变量设计：对每个测试样本使用相同的检索器获取邻居，并将完全相同的邻居分别作为LLM的演示和Distance-KNN的输入。
在每一个检索池大小设置下，Distance-KNN的平均准确率都是最高的。
从全局平均来看，LLM推理在表格分类任务上并没有超越距离加权投票（Distance-KNN）。
在低标签共识前提下，部分LLM在近邻和中等距离的邻域中能超越Distance-KNN，但在最远距离组中所有LLM平均都落后。
对演示数量、提示词表述、检索表示和标签平衡演示选择的补充实验大体上保持了主结论：KNN平均优势稳健，LLM增益集中在低共识、近距离场景。
对于构建表格分类系统的工程师，在检索质量有保障、邻居标签一致时，Distance-KNN是更简单且平均更准的基线，不应默认LLM推理更好。
Distance-KNN是一种无需训练的经典基于实例的学习算法，通过距离加权投票进行表格分类，常作为强基线。
全部知识事实 (8)
该研究通过19个表格分类数据集对比了4个通用LLM与距离加权KNN（Distance-KNN）的表格分类性能。
50%待验证实验采用控制变量设计：对每个测试样本使用相同的检索器获取邻居，并将完全相同的邻居分别作为LLM的演示和Distance-KNN的输入。
50%待验证在每一个检索池大小设置下，Distance-KNN的平均准确率都是最高的。
50%待验证从全局平均来看，LLM推理在表格分类任务上并没有超越距离加权投票（Distance-KNN）。
50%待验证在低标签共识前提下，部分LLM在近邻和中等距离的邻域中能超越Distance-KNN，但在最远距离组中所有LLM平均都落后。
50%待验证对演示数量、提示词表述、检索表示和标签平衡演示选择的补充实验大体上保持了主结论：KNN平均优势稳健，LLM增益集中在低共识、近距离场景。
50%待验证对于构建表格分类系统的工程师，在检索质量有保障、邻居标签一致时，Distance-KNN是更简单且平均更准的基线，不应默认LLM推理更好。
50%待验证Distance-KNN是一种无需训练的经典基于实例的学习算法，通过距离加权投票进行表格分类，常作为强基线。
50%