arXiv cs.AI· Wei Pang, Xiangru Jian, Hehan Li, Zhixuan Yu, Alex Xue, Jinyang Li, Zhengyuan Dong, Xinjian Zhao, Hao Xu, Chao Zhang, Reynold Cheng, M. Tamer \"Ozsu, Tianshu Yu·· 1 天前AI 评分32
TRL-Bench：表格编码器跨范式表示级评估基准
TRL-Bench: Standardizing Cross-Paradigm Representation-Level Evaluation of Tabular Encoders
AI 导读
TRL-Bench 是一个多粒度表格表示学习基准，通过统一封装导出 row、column、table 嵌入并用共享轻量头探测，实现跨范式表示级评估。基准包含 50 个 OpenML 表格与 123 个验证目标、16 个行对连接改写，以及由 1,379 个父表派生的 47,772 表 DLTE 数据湖，覆盖 20 个模型和 16 项任务。
正文 · AI 翻译
作者：Wei Pang、Xiangru Jian、Hehan Li、Zhixuan Yu、Alex Xue、Jinyang Li、Zhengyuan Dong、Xinjian Zhao、Hao Xu、Chao Zhang、Reynold Cheng、M. Tamer Özsu、Tianshu Yu
摘要：表格编码器通常在任务特定的端到端流水线中进行评估，因此即使不同训练范式的模型处理相似的表格信号，也难以直接比较。我们提出 TRL-Bench，这是一个多粒度表格表示学习（TRL）基准，用于标准化跨范式的表示级评估：每个编码器通过其支持的封装器导出行、列或表嵌入，共享的轻量级头部在三个套件上探测这些嵌入：TRL-CTbench（列/表）、TRL-Rbench（行）和 TRL-DLTE（组合式数据湖表增强，涵盖全部三种粒度）。为支持这一标准化设置，我们发布了精选的基准资产和任务重构，包括 50 个 OpenML 表及 123 个已验证目标、16 个行对链接重写，以及由 1,379 个父表衍生的包含 47,772 个表的 DLTE 数据湖。在 20 个模型和 16 个任务上，TRL-Bench 表明，一旦下游条件标准化，编码器质量是能力特定的，而非由单一排行榜所体现。在 TRL-CTbench 中，通用文本编码器通常在具有强表面文本信号的任务上领先，而表格专家在其预训练目标与任务对齐时胜出。在 TRL-Rbench 中，表内预测和跨表链接倾向于不同的训练范式，原子链接性能与 DLTE 流水线的行匹配阶段强相关。在 TRL-DLTE 中，最强的流水线组合了能力匹配的专家，而非复用单一编码器，顶级端到端质量取决于非可加的组合拟合，而非仅各阶段的边际排名。TRL-Bench 提供了一个通用协议，用于在共享下游条件下测量导出的表格表示中的可复用信号。代码：此 https URL 数据已在 Hugging Face 上发布。
| 学科： | 人工智能（cs.AI）；数据库（cs.DB） |
| 引用为： | arXiv:2606.09323 [cs.AI] |
| （或 arXiv:2606.09323v2 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2606.09323 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Wei Pang [查看电子邮件]
[v1]
2026年6月8日星期一 10:39:25 UTC（1,573 KB）
[v2]
2026年11月11日星期三 13:11:02 UTC（2,477 KB）
来源：arXiv cs.AI · arxiv.org