关键词tabular data classification
搜索结果 - 6
- 模糊卷积神经网络用于表格数据分类
本研究通过提出的模糊卷积神经网络(FCNN)模型对表格数据进行分类,通过实验证明该模型在学习有意义的表征方面表现出竞争性或优越性能,为结构化数据分析提供了新的机会。
- 为什么上下文学习转换器是表格数据分类器
通过对合成数据进行预训练的 ICL-transformer 在创建复杂的决策边界方面具有优势,并且在表格数据分类上达到了最新的技术水平。
- 为了提升少样本分类的表格数据序列化
利用大型语言模型(LLMs)在表格数据分类中的整合进行了研究,并引入三种新的序列化技术,包括显著的 LaTeX 序列化方法。该方法显著提升了 LLMs 在处理领域特定数据集方面的性能,具有内存效率和充分利用复杂数据结构的能力,并通过包括特征 - 将 LLM 先验融入表格学习器
我们介绍了一种方法,将大型语言模型(LLMs)与传统表格数据分类技术相结合,解决 LLMs 在数据序列化敏感性和偏差方面的挑战。我们引入了两种策略,利用 LLMs 对分类变量进行排序和生成连续变量与目标之间相关性的先验,提高了在少样本情况下 - TabLLM:基于大型语言模型的小样本表格数据分类
通过将表格数据序列化为自然语言字符串和分类问题简述作为输入,使用大型语言模型进行零样本和小样本分类数据的研究,并评估了几种序列化方法,发现这种方法在多个基准数据集上优于以前的深度学习分类方法。
- 深度自编码器权重扰动在表格数据压缩和分类中的应用
本文提出了周期性扰动深度神经网络权重的方法,尤其是在深度自动编码器的自监督预训练阶段。该方法在表格数据分类任务中比 dropout 方法表现更好,并可用于压缩深度预训练模型。此外,本文揭示了深度模型在表格数据集中的成功归因于真实世界数据集中