TabFM révolutionne les prédictions tabulaires

Annonce du modèle TabFM

TabFM, un nouveau modèle fondamental développé par Google, est lancé pour les données tabulaires. Ce modèle adopte une logique ‘zero-shot’ pour simplifier les procédures de classification et régression. Les modèles traditionnels, tels que XGBoost, exigeaient auparavant des efforts manuels considérables pour être ajustés à de nouveaux jeux de données.

Remplacement des algorithmes traditionnels

L’usage des algorithmes basés sur des arbres, qui nécessitent une optimisation des hyperparamètres, peut créer des goulets d’étranglement importants. TabFM reformule la tâche de prédiction tabulaire comme un problème d’apprentissage contextuel. Cela permet aux utilisateurs de réaliser des prédictions de qualité sur des tables inconnues en une seule étape à l’inférence.

Architecture hybride de TabFM

TabFM utilise une architecture hybride qui combine les forces de différents modèles, en intégrant des mécanismes comme l’attention alternée sur les lignes et colonnes. Cette approche aide à capturer les interactions complexes au sein des données tabulaires sans le besoin d’un ajustement manuel. Le modèle est formé sur des millions de jeux de données synthétiques pour mieux se généraliser aux tables du monde réel.

Performances et évaluation

L’évaluation de TabFM sur le système de benchmark TabArena révèle une performance supérieure par rapport aux méthodes existantes. Avec 38 ensembles de données de classification et 13 de régression testés, le modèle montre sa capacité à rivaliser en termes de précision sans tuning nécessaire. Les résultats détaillés peuvent être consultés sur GitHub.

Accessibilité et intégration

TabFM sera intégré directement à Google BigQuery, permettant aux utilisateurs d’exécuter des tâches avancées de régression et de classification simplement via une commande SQL. Cela démocratise l’accès à des capacités avancées en IA, sans exiger d’expertise en machine learning.