现有的预处理器是否可以改善生物医学表格基础学习？ TabPFN优化的实证研究

arXiv:2609.25013v1 公告类型：新 摘要：表格基础模型最近显示出结构化生物医学数据分析的强大潜力。其中，TabPFN 已成为低数据表格分类任务的有效方法。然而，优化和预处理策略对生物医学微调的影响在很大程度上仍未得到探索。在这项工作中，我们对五种基于 AdamW 的预处理策略进行了全面的实证研究，用于在涵盖阿尔茨海默病、乳腺癌、精神分裂症、显着记忆问题 (SMC)、KEEL 生物医学数据集和 UCI 生物医学基准的 59 个生物医学数据集上微调 TabPFN v2.5。评估考虑了预测性能、计算效率和统计显着性分析。实验结果表明，原始的 AdamW 优化器始终能够实现最佳的整体性能和统计排名，而现有的曲率感知预处理器无法在不同的生物医学学习场景中提供可靠的改进。研究结果表明，通用预处理方法可能无法充分捕捉生物医学表格学习的优化特征，从而促进了专门为面向医疗保健的表格基础模型量身定制的生物医学感知预处理器的开发。