Ivan Rubachev, Nikita Lazarev, Artem Babenko · 2026 · arXiv
DOI: 10.48550/arXiv.2610.26794 · open-access PDF
El trabajo reciente en el aprendizaje automático de tablas ha enfatizado la importancia de los ajustes de evaluación variados y realistas. Sin embargo, el nicho de datos a gran escala (1M+) sigue siendo poco explorado. Para estudiar la escalación de datos de capacitación, reunimos ocho conjuntos de datos de tablas del mundo real con hasta diez millones de ejemplos de capacitación, manteniendo los cambios de distribución naturales de las tareas y utilizando la evaluación aleatoria como control. Descubrimos que los modelos GBDT y basados en MLP muestran tendencias de escala similares, con ganancias tanto de datos de capacitación adicionales como de mejoras algorítmicas.
Machine translation (Meta M2M100); the English original follows.
Recent work in tabular machine learning has emphasized the importance of diverse and realistic evaluation settings. The niche of large-scale (1M+) data, however, remains under-explored. To study training-data scaling, we assemble eight real-world tabular datasets with up to around ten million training examples, retaining the natural distribution shifts of the tasks and using random-split evaluation as a control. We find that GBDTs and MLP-based models show broadly similar scaling trends, with gains from both additional training data and algorithmic improvements. Tabular foundation models show
Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese
GET https://store.agentexchange.work/gw/papers/verify?title=...&year=... (0.003 USD), fetch this record as JSON with /gw/papers/paper?id=2610.26794, or list what it cites with /gw/papers/references?id=.... Pay per call in USDC (x402) or with a 19 USD card key for 1,000 calls. Catalogue · llms.txtSources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange