跳到正文
arXiv cs.AI· Jules Kreuer, Sofiane Ouaari, Julia Hellmig, Julius Braitinger, Nico Pfeifer·· 10 小时前AI 评分31

TabBench-Bio:面向高维生物医学表格数据的活体机器学习基准

TabBench-Bio: A Living Benchmark for Machine Learning on High-Dimensional Biomedical Tables

AI 导读

TabBench-Bio 发布,一个覆盖多领域的 43 个生物医学数据集活体交互式基准,在共享交叉验证协议下比较经典估计器、神经网络与表格基础模型共 28 个特征-样本工作点。

正文 · AI 翻译

查看 PDF HTML(实验性)

摘要:生物医学表格常常将数千个测量变量与仅数十或数百个带标签样本结合在一起,这种情形在通用表格基准中很少得到体现。我们推出 TabBench-Bio,这是一个涵盖多个领域的 43 个生物医学数据集的持续更新、可交互基准。在统一的交叉验证协议下,我们在 28 个特征-样本操作点上比较了经典估计器、神经网络和表格基础模型。在 10,000 个特征和 100 个训练样本的参考单元上,RealTabPFN 2.5 的点估计最高,紧随其后的是 TabPFN 3 和 Logistic Regression。对目标池进行的配对 bootstrap 将 RealTabPFN 2.5 与 TabPFN 3 区分开来,差距为 87 Elo(95\% 区间 [43, 129])。
表格基础模型通常占据领先排名,而最强的配置取决于操作点和生物医学模态。AutoML 框架 AutoGluon 使用其一小时的“extreme”预设,被配置为单独的、资源密集型的参考,并在此报告参考单元和完整单元的结果。折级预测、运行状态和确定性聚合使每个报告的结果都可复现、可复用。该基准开放接受新的生物医学数据集贡献。
交互式排行榜可在 此 https URL 获取。
主题: 机器学习(cs.LG);人工智能(cs.AI)
引用为: arXiv:2609.07441 [cs.LG]
  (或此版本的 arXiv:2609.07441v3 [cs.LG])
  https://doi.org/10.48550/arXiv.2609.07441

由 DataCite 颁发的 arXiv DOI

提交历史

来自:Jules Kreuer [查看电子邮件]
[v1] 2026 年 9 月 7 日星期一 12:50:08 UTC(118 KB)
[v2] 2026 年 9 月 26 日星期六 15:08:42 UTC(190 KB)
[v3] 2026 年 11 月 18 日星期三 13:20:38 UTC(365 KB)

来源:arXiv cs.AI · arxiv.org