表格基础模型主动上下文学习采集策略研究

Christian M. M. Frey 提交论文，针对冻结的表格基础模型（TFM）研究主动上下文学习中的标签采集策略，在二十个基准上对比多样性、预测不确定性与目标感知信息增益三类规则。结果显示，多样性采集在最初几轮迭代最有效；而用简单的目标感知最近邻规则标注与目标输入相关的池行，收益显著。 论文提出的 EPIC 在标签预算下取得最佳模型：在八个最大池基准上仅标注 5–10% 数据，即保留平均 80–87% 的校正后全量数据性能；所选标签还能提升 GBDT 的预测表现。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。