ARASH: Recupero Adattivo e Selezione degli Shot per la Previsione su Dati Tabellari
Uno studio recente pubblicato su arXiv (2608.17856v1) presenta ARASH (Adaptive, query-specific Retrieval And Shot selection), una tecnica progettata per migliorare l'efficienza dei Modelli Fondativi Tabellari (TFM) come TabPFN. Tradizionalmente, i TFM richiedono una notevole potenza computazionale e un riaddestramento regolare. ARASH utilizza l'apprendimento contestuale tramite prompt few-shot, identificando i migliori shot attraverso un'analisi dei vicinati locali nel dataset di addestramento. Questo approccio riduce significativamente la lunghezza del prompt e il consumo di memoria di un fattore di 1261,5, offrendo una soluzione più efficiente in termini di risorse per attività che coinvolgono previsioni tabellari.
Fatti principali
- Articolo annunciato su arXiv con ID 2608.17856v1
- Nome del metodo: ARASH (Adaptive, query-specific Retrieval And Shot selection)
- Mira all'efficienza dei Modelli Fondativi Tabellari (TFM) come TabPFN
- Utilizza l'apprendimento contestuale tramite prompt few-shot
- Seleziona gli shot basandosi sull'analisi dei vicinati locali nel set di addestramento
- Riduce la lunghezza del prompt e l'uso di memoria di 1261,5 volte
- Affronta le sfide relative alle risorse computazionali dei TFM
- Pubblicato come tipo di annuncio 'new'
Entità
Istituzioni
- arXiv