现有预条件器能否改善生物医学表格基座学习？TabPFN优化实证研究
针对结构化生物医学数据分析，表格基座模型展现出巨大潜力，其中TabPFN在小样本表格分类任务中表现尤为突出。然而，优化和预条件策略对生物医学场景微调的影响尚缺乏研究。本文对TabPFN v2.5展开系统性实证评估，在涵盖阿尔茨海默病、乳腺癌、精神分裂症等疾病及KEEL库的59个生物医学数据集上，测试了五种基于AdamW的预条件策略，为优化生物医学表格基座模型微调提供了实验参考。
推荐理由系统评估了五种预条件策略在多达59个生物医学数据集上微调TabPFN的效果，填补了表格基座模型优化的研究空白。
原标题：Do Existing Preconditioners Improve Biomedical Tabular Foundation Learning? An Empirical Study on TabPFN Optimization
阅读 arXiv 人工智能 原文 ↗