Hacker News · 04.07.2026 ·Машинное обучение

Google представила TabFM: фундаментальную модель для табличных данных

Google Research выпустила TabFM — первую фундаментальную модель, способную работать с табличными данными в режиме zero-shot. Архитектура модели основана на трансформерах и позволяет выполнять задачи классификации и регрессии без необходимости предварительного обучения на конкретном наборе данных. Это решение значительно упрощает обработку структурированной информации, автоматизируя построение предиктивных моделей для широкого спектра бизнес-задач.

Традиционные подходы к анализу таблиц часто требуют сложной настройки гиперпараметров и глубокой очистки данных под каждую задачу. TabFM меняет этот подход, предлагая универсальный инструмент, который обучался на огромном массиве разнообразных табличных датасетов. Модель эффективно распознает закономерности в данных, даже если они представлены в форматах, с которыми она не сталкивалась ранее, что делает её мощным инструментом для аналитиков и специалистов по данным.

Использование фундаментальных моделей для таблиц открывает новые возможности в автоматизации аналитики. Вместо создания кастомных моделей для каждого бизнес-процесса, компании могут применять предобученное решение, которое сразу выдает качественные прогнозы. Это сокращает время вывода моделей в продакшн и снижает требования к вычислительным мощностям, необходимым для обучения с нуля.

Ключевые факты

Модель TabFM 1.0.0 доступна для использования через платформу Hugging Face.
Архитектура поддерживает zero-shot обучение, исключая необходимость дообучения на целевых данных.
Модель оптимизирована для решения задач классификации и регрессии на структурированных данных.
Разработка базируется на исследованиях Google, направленных на создание универсальных моделей для табличных форматов.

Источник: Hacker News

Обсудить с ИИ

Похожие материалы

MarkTechPost · Машинное обучение Google представила TabFM: фундаментальную модель для работы с табличными данными Google Research анонсировала TabFM — новую фундаментальную модель, предназначенную для обработки табличных данных. Система использует механизм гибридного внимания для выполнения задач классификации и регрессии в режиме zero-shot. Модель способна делать предсказания за один проход, исключая необходимость в дообучении под конкретные наборы данных, настройке гиперпараметров или сложной подготовке признаков. The latest research from Google · Машинное обучение Google представила TabFM: foundation-модель для работы с табличными данными Google Research анонсировала TabFM — новую foundation-модель, предназначенную для анализа табличных данных в режиме zero-shot. Архитектура модели основана на трансформерах и обучена на огромных массивах таблиц, что позволяет ей эффективно выполнять задачи классификации и регрессии без необходимости дообучения на конкретных наборах данных, превосходя традиционные методы градиентного бустинга в ряде сценариев. arXiv · Машинное обучение KnowsTFM: повышение точности табличных моделей через интеграцию знаний Исследователи представили метод KnowsTFM, который улучшает работу малых табличных моделей (TFM) за счет интеграции внешних реляционных знаний. В условиях нехватки данных или их высокого смещения относительно обучающей выборки, подход позволяет моделям превосходить специализированные методы, эффективно используя структурированную информацию из предметных областей для повышения качества предсказаний в сложных задачах. Hacker News · Модели и релизы Представлена MFM: новая фундаментальная модель для анализа движения Исследователи представили MFM (Motion Foundation Model) — специализированную нейросетевую архитектуру, основанную на методе PINN (Physics-Informed Neural Networks). Модель предназначена для моделирования и анализа динамических процессов, объединяя возможности глубокого обучения с физическими законами. Релиз включает веса модели и документацию, позволяя использовать её для задач прогнозирования траекторий и анализа сложных движений в различных средах. arXiv · Машинное обучение Оценка априорных распределений данных в табличных foundation-моделях Исследователи представили методологию для оценки априорных распределений данных (data priors), которые лежат в основе обучения табличных foundation-моделей. Авторы работы анализируют, как именно выбор генеративных распределений при претрейнинге влияет на итоговую производительность моделей, предлагая стандартизированный подход для сравнения различных архитектур и стратегий обучения, что ранее оставалось «черным ящиком» в разработке табличных ИИ-систем. arXiv · Безопасность и алайнмент Уязвимости конфиденциальности в табличных foundation-моделях Исследователи выявили критические риски конфиденциальности в табличных foundation-моделях, использующих механизм внимания. Несмотря на обучение на синтетических данных, модели подвержены утечкам чувствительной информации при инференсе. В процессе in-context learning данные, передаваемые в качестве размеченных примеров, могут быть восстановлены через анализ весов внимания, что ставит под угрозу безопасность высокорисковых запросов в корпоративных системах. arXiv · Машинное обучение FedLAB: новый метод обучения мультимодальных графовых моделей в федеративном режиме Исследователи представили FedLAB — фреймворк для обучения мультимодальных графовых моделей на децентрализованных данных. Метод использует прослеживаемые семантические кодовые книги для обмена знаниями между клиентами без передачи исходных данных. Это позволяет эффективно обучать фундаментальные модели на распределенных графах, содержащих текст, изображения и топологические связи, сохраняя при этом конфиденциальность информации на стороне узлов. MarkTechPost · Машинное обучение Оптимизация пайплайна обработки данных Fable 5 Traces для обучения моделей Опубликовано руководство по созданию стабильного рабочего процесса для работы с датасетом Fable 5 Traces в среде Google Colab. Авторы предлагают метод ручного парсинга JSONL-файлов, который исключает использование хрупких зависимостей. Процесс включает нормализацию вызовов инструментов, аудит структуры данных, удаление конфиденциальной информации и подготовку очищенных наборов данных для обучения базовых моделей. arXiv · Исследования и наука Исследование методов оценки графовых фундаментальных моделей Исследователи представили комплексный анализ производительности графовых фундаментальных моделей (GFM), сфокусировавшись на задачах прогнозирования свойств узлов. Работа выявляет критические недостатки в текущих подходах к тестированию, предлагая стандартизированную методологию для объективного сравнения архитектур. Авторы демонстрируют, что многие современные модели показывают нестабильные результаты при смене наборов данных, что требует пересмотра подходов к их обучению и валидации. arXiv · Машинное обучение Adaptive Financial Transformer: новая архитектура для прогнозирования доходности акций Исследователи представили Adaptive Financial Transformer (AFT) — специализированную архитектуру для прогнозирования доходности акций в условиях нестабильных рынков. В отличие от стандартных трансформеров, модель использует механизм динамического управления вниманием, который адаптируется к текущему рыночному режиму. Это позволяет эффективнее учитывать семантические связи между финансовыми индикаторами и повышать точность предсказаний в меняющейся экономической среде.

← Все материалы