← 返回 2026-09-30 简报

英伟达发布Kumo表格模型,树立表格预测精度与效率新标杆

NVIDIA Kumo Tabular Sets a New Accuracy-Efficiency Frontier for Tabular Prediction

语音播报
摘要
事件:英伟达发布Kumo表格基础模型,基于纯人工数据预训练,无需微调即可实现表格分类与回归预测。 要点:采用Transformer架构结合列、行及上下文注意力机制,参数规模28M至215M,支持零样本单前向传播预测。 影响:打破梯度提升树长期垄断,为 enterprises 提供无需特征工程的高效表格AI方案。

NVIDIA Kumo Tabular 是 NVIDIA Kumo 结构化模型系列的一部分,是一个面向表格数据的开放基础模型,现已在 Hugging Face 上提供。给定一个带有标注行的表格,它能够在单次前向传播中预测新行的标签,无需训练、无需微调、也无需特征工程,即可同时处理分类和回归任务。该模型仅在人工数据上进行预训练,提供三种尺寸(28M 至 215M 参数),通过我们的开源库运行,并在 OpenMDW-1.1 许可下发布以用于商业用途。它在 TabArena、BeyondArena、TALENT 和 ScoringBench 四个基准测试中均排名第一。

转向表格基础模型

表格数据是企业机器学习的骨干。客户记录、交易、传感器日志、索赔和订单都存储在表格中,从中预测流失率、违约、需求或价格属于工业界最常见的机器学习任务之一。在过去二十年中,这项工作一直由梯度提升树完成,且效果良好。然而,围绕这些模型的开发生命周期几乎没有变化。每一个新问题都需要收集标签、进行特征工程、搜索超参数、验证模型,并部署一个对表格本身一无所知、从头学习每个任务的模型。

大型语言模型展示了处理新任务的不同方式。在提示中提供少量示例后,预训练模型无需更新任何权重即可解决该任务。这就是上下文学习(in-context learning),它同样适用于表格:在数百万张表格上预训练的模型可以将带标注的表格作为其上下文,直接预测新行的标签。

今天,我们发布 NVIDIA Kumo Tabular(GitHub、HuggingFace),这是一个用于表格分类和回归的开放基础模型。给定一个带有标注行以及你需要预测的行组成的表格,Kumo Tabular 会在单次前向传播中返回类别概率或数值预测。

Kumo Tabular 的工作原理

Kumo Tabular 是一个围绕表格结构构建的 Transformer,利用了 TabICL 和 TabPFN 中引入的列注意力、行注意力和上下文注意力。为了预测标签,它必须完成三件事:(1) 理解每个值在其列中的含义;(2) 理解一行中各列之间的交互关系;(3) 将带有现有标签的上下文行与带有未知标签的查询行关联起来。Kumo Tabular 通过以下方式实现这一点:

单元格嵌入(Cell Embedding):一组单元格成为一个 token。数值型和类别型值通过傅里叶特征、学习频率的正弦和余弦函数,每种类型拥有独立的权重。缺失值无需插补,而是被特殊处理。最后,上下文中的每个 token 都会接收一个标签嵌入。

行嵌入(Row Embedding):随后,我们通过交替使用两种类型的注意力多次将每一行转换为嵌入。列注意力沿单列向下查看,学习一个值在其列分布中的含义,例如,通过诱导自注意力判断 42 是典型值还是极端值。因此,其成本随行数线性增长。行注意力跨越单行的 token 查看,学习特征如何交互,并使用旋转位置信息区分各列。四个可学习的 [CLS] token 加入每一行,作为该行的最终读取输出。经过这一行压缩步骤后,最终阶段的成本不再依赖于列数。

上下文学习:最终的 Transformer 作用于行嵌入。上下文行彼此进行注意力交互,而查询行仅对上下文行进行注意力交互。因此,每个预测仅依赖于上下文和该行本身,而不依赖于与其一起评分的其他行。由于上下文从不查看查询,其键(keys)和值(values)只需计算一次,即可用于后续的预测。查询行利用 Test-GQA 技术,缩小了每次预测所读取的缓存。每个注意力头将每个查询行转换为分类的类别概率以及回归的 999 个分位数,从而得出点预测和不确定性估计。

长度感知的注意力温度:随着键数量的增加,Softmax 注意力的分布会变得更加分散。在几百行上表现尖锐的注意力,在数万行时可能会变得弥散,而这正是推理时的表格远大于典型训练表格时所面临的情况。Kumo Tabular 因此根据键数量的对数来缩放每个查询的温度系数,且该系数针对每个注意力头单独学习。其结果是,随着表格变长或变宽,注意力依然保持尖锐。

Kumo Tabular 是如何构建的

Kumo Tabular 完全在人工表格上进行预训练。每个训练表格通过以下六个步骤从结构因果模型(SCM)中采样生成:

我们首先为整个表格绘制配置,涵盖其大小、任务、机制和缺失情况。随后,一个随机的因果图连接隐藏变量,这些变量从根节点到叶节点通过在每个节点随机抽取的函数(例如线性映射、小型神经网络、树或高斯过程)进行评估。某些节点成为数值型或类别型列,其中一个成为目标变量,其余则保持隐藏状态,类似于真实数据背后未被测量的原因。后处理步骤对列组进行相关性调整,裁剪异常值,并注入缺失值,同时通过快速的树集成检查丢弃任何缺乏可学习信号的表格。由于生成器是一个过程采样器而非训练过的模型,它源源不断地产生具有新图和全新机制的表格。

现实世界的表格杂乱无章,因此我们在生成器中融入了更多的不完美特性。数值以多种模式缺失,部分特征被粗化,导致重复行可能在标签上存在分歧;某些类别列包含大量层级,回归目标可能呈现重尾分布。见过数百万此类表格的模型能够处理这些不完美之处,而无需任何数据清洗。

在每一个人工表格上,模型将大部分带有标签的行作为上下文,并学习预测剩余行的标签,其中分类任务使用交叉熵损失,回归任务使用分位数损失。分类和回归作为独立的模型进行训练。与 TabICLv2 类似,训练过程分为三个阶段。第一个也是最长阶段使用包含 1,024 行和多达 100 列的表格,教导模型理解表格的结构。第二阶段将上下文行数从 400 变化至 10,240 行,第三阶段将其扩展至 60,000 行,同时仍保持最多 100 列。总体而言,Kumo Tabular-Small/Medium/Large 分别经历了约 3500 万/7100 万/1.37 亿个人工表格的训练。

我们的训练配方和人工数据生成器即将发布。

性能表现

我们在默认设置下,将三种尺寸的 Kumo Tabular 与完整的 TabArena 排行榜进行了对比,该排行榜涵盖了调优后的梯度提升树、AutoGluon 以及最新的表格基础模型。Kumo Tabular 以 1950 的 ELO 评分位居整体榜首,在统一的单张 RTX 6000 Pro 评估设置下,其运行速度比 LimiX-2 快 17 倍。在所有三种模型尺寸中,Kumo Tabular 在准确率-效率帕累托前沿上确立了新的最先进水平:

我们还在 BeyondArena、TALENT 和 ScoringBench 上对 Kumo Tabular 进行了评估。在 BeyondArena 上,Kumo Tabular 达到了 1418 的 ELO 分数,可改进性得分为 7.78%,在排行榜上位居第一。在 TALENT 上,它在分类准确率、分类对数损失和回归 RMSE 方面均取得了整体排名第一的成绩,平均排名分别为 6.67、3.98 和 4.22。在预测分布基准测试 ScoringBench 上,Kumo Tabular-Large 和 Kumo Tabular-Medium 的平均排名分别位列第一和第二。

局限性

Kumo Tabular 仅适用于数值型和分类型列,而文本、图像或时间戳可以通过内置的预处理配方转换为特征。单次前向传播最多可覆盖 10 个类别,该库通过纠错输出码(error-correcting output codes)将其扩展至任意数量的类别。如果表格数据远远超出训练范围,或者查询行与上下文行来自不同的分布,准确率可能会下降。因此,与任何预测模型一样,在部署之前应使用自己保留的数据验证准确性和校准情况。

演示

Kumo Tabular 通过 NVIDIA 新发布的面向结构化数据的 GPU 原生库运行。该库在首次使用时从 Hub 下载权重,并提供我们在评估中使用的预处理、集成和多数类处理功能。以下代码即可实现从 pandas.DataFrame 到预测的转换:

import sdm

table = sdm.TableTensor.from_pandas(pd.load_csv(...), device="cuda")
na_mask = table["target"].isnan()

model = sdm.models.KumoTabular(device="cuda")
pred = model(

x_context=table[~na_mask].drop_columns("target"),
y_context=table[~na_mask, "target"],

x_query=table[na_mask].drop_column("target"),
)

使用 Kumo Tabular 开始构建

Kumo Tabular 根据 OpenMDW 许可协议 1.1 版本发布。NVIDIA 认为可信 AI 是共同责任,我们已制定政策和实践以支持广泛 AI 应用的开发。在下载或按照服务条款使用时,开发者应与他们的模型支持团队合作,确保该模型满足相关行业和用例的要求,并解决不可预见的产品滥用问题。请在此处报告模型质量、风险、安全漏洞或 NVIDIA AI 相关问题。

致谢

我们感谢 David Holzmüller 为 Kumo Tabular 贡献的重要思想和消融实验。我们感谢 Vignesh Kothapalli 在实习期间对 Kumo Tabular 提供的帮助。

本条评分 10.6 score-v1
  • 来源权威 8
    注册表 priority=8(Hugging Face)
  • 时效 2.622
    发布 7.0 小时前,衰减到 2.62/3.0
  • 多源印证 0
    只有 1 家在报(无旁证)
  • 社区信号 0
    无社区数据(本管线走 RSS,HN 的 hn_fetcher 未接入)

首次收录 · 2026-09-30 · 10.62 分

原文链接:https://huggingface.co/blog/nvidia/kumo-tabular
来源:Hugging Face
以上内容由 AI 自动翻译,仅供参考。
← 返回简报