待验证50% 置信事实精确时间
TabPFN（Tabular Prior-Data Fitted Network）由Hollmann等人于2023年提出，在大量合成表格数据集上预训练Transformer来学习表格预测元任务
1
来源数
50%
置信度
长期有效
时效性
2026/8/5
首次发现
来源
相关事实
待验证2023年提出的TabPFN首次实现了表格数据的in-context learning，通过将训练样本作为上下文输入在推理时完成小规模数据集分类，无需梯度更新75% 相似已验证TabPFN在推理时将整个训练集拼接为Transformer输入序列，单次前向传播即完成预测，无需梯度更新73% 相似待验证TabPFN属于基于模型的元学习类别，将整个学习算法编码到Transformer的权重中，因此推理时不需要显式的参数更新过程69% 相似待验证预训练的核心目标是让模型具备预测下一个词（Predict Next Token）的能力，基于Transformer架构中的因果注意力机制59% 相似待验证专家预取（Expert Prefetching）机制在当前层计算时异步预测下一层可能激活的专家并提前通过PCIe传输至GPU显存以隐藏传输延迟58% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/689007API
curl https://kongchang.com/api/v1/knowledge/claims/689007MCP
get_claim(id=689007)