NVIDIA Kumo Tabular définit une nouvelle frontière d'efficacité et de précision pour la prédiction tabulaire
huggingface ·
NVIDIA a publié Kumo Tabular, un modèle fondamental open source conçu pour la prédiction de données tabulaires, qui fonctionne sans entraînement ni ingénierie des caractéristiques. Cette architecture basée sur un Transformer utilise l'apprentissage in-context pour prédire les étiquettes de nouvelles lignes en un seul passage avant, prenant en charge à la fois les tâches de classification et de régression. Le modèle a été préentraîné exclusivement sur des tables artificielles générées par des modèles causaux structurels, ce qui lui permet de gérer divers défauts de données tels que les valeurs manquantes et les valeurs aberrantes. Il est disponible en trois tailles allant de 28 millions à 215 millions de paramètres et s'exécute via la bibliothèque open source structured-data-models de NVIDIA. Les évaluations des performances montrent que Kumo Tabular se classe premier sur les principaux benchmarks, notamment TabArena, BeyondArena, TALENT et ScoringBench. Fait notable, il établit un nouvel état de l'art sur le front de Pareto précision-efficacité tout en s'exécutant significativement plus rapidement que des modèles concurrents comme LimiX-2. Bien qu'il soit actuellement limité aux colonnes numériques et catégorielles, le modèle offre une gestion robuste de structures de tableaux complexes grâce à des mécanismes d'attention spécialisés. Sous licence OpenMDW-1.1, il offre aux développeurs un accès immédiat à des capacités d'IA tabulaire haute performance.
huggingface