arXiv cs.AI· Erkan Karabulut, Daniel Daza, Paul Groth, Martijn C. Schut, Victoria Degeler·· 11 小时前AI 评分31
表格基础模型能学会关联规则：TabProbe 框架发布
Tabular Foundation Models Can Learn Association Rules
AI 导读
研究者提出模型无关的关联规则学习框架，可从任意表格条件概率模型中提取关联规则，并给出基于表格基础模型（TFM）的实例 TabProbe，无需频繁项集挖掘即可直接学习规则。在多种规模的表格数据集上，TFM 生成的关联规则简洁、质量高且预测性能强，在低数据场景下无需任务特定训练仍保持稳健。该工作扩展版已发表于 TMLR。
正文 · AI 翻译
摘要：关联规则挖掘（ARM）是表格数据知识发现的一项基础任务，广泛应用于高风险决策场景。经典 ARM 方法依赖频繁项集挖掘，会导致规则爆炸和可扩展性差，而近期的神经方法虽缓解了这些问题，但在低数据情形下性能下降。表格基础模型（TFM）在多样化的表格数据上预训练，具有强大的上下文泛化能力，为解决上述局限提供了基础。我们提出一个模型无关的关联规则学习框架，可从任意表格数据条件概率模型中提取关联规则，从而能够利用 TFM。随后我们提出 TabProbe，这是我们框架的一个实例，利用 TFM 作为条件概率估计器，无需频繁项集挖掘即可开箱即用地学习关联规则。我们基于标准 ARM 规则质量指标和下游分类性能，在不同规模的表格数据集上评估了我们的方法。结果表明，TFM 能够持续生成简洁、高质量的关联规则，具有强预测性能，并且在无需任务特定训练的情况下在低数据环境中保持稳健。源代码见 this https URL。
| 评论： | 本预印本的扩展版本题为 Model-Agnostic Association Rule Learning with Tabular Foundation Models，已发表于 TMLR：this https URL |
| 主题： | 人工智能（cs.AI）；数据库（cs.DB）；机器学习（cs.LG） |
| 引用为： | arXiv:2602.14622 [cs.AI] |
| （或本版本使用 arXiv:2602.14622v3 [cs.AI]） | |
| https://doi.org/10.48550/arXiv.2602.14622 arXiv 颁发的 DOI 通过 DataCite |
|
| 期刊 参考： | Transactions on Machine Learning Research, 2026 |
提交历史
来自：Erkan Karabulut [查看邮箱]
[v1]
2026年2月16日星期一 10:25:55 UTC（4,692 KB）
[v2]
2026年2月17日星期二 09:54:33 UTC（4,692 KB）
[v3]
2026年10月20日星期二 08:32:40 UTC（4,692 KB）
来源：arXiv cs.AI · arxiv.org