Buchumschlag

Mambular: A Sequential Model for Tabular Deep Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Thielmann, Anton Frederik, Kumar, Manish, Weisser, Christoph, Reuter, Arik, Säfken, Benjamin, Samiee, Soheila
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

From Uniform to Learned Knots: A Study of Spline-Based Numerical Encodings for Tabular Deep Learning
von: Kumar, Manish, et al.
Veröffentlicht: (2026)

On the Efficiency of NLP-Inspired Methods for Tabular Deep Learning
von: Thielmann, Anton Frederik, et al.
Veröffentlicht: (2024)

Probabilistic Topic Modelling with Transformer Representations
von: Reuter, Arik, et al.
Veröffentlicht: (2024)

Beyond Black-Box Predictions: Identifying Marginal Feature Effects in Tabular Transformer Networks
von: Thielmann, Anton, et al.
Veröffentlicht: (2025)

Neural Additive Image Model: Interpretation through Interpolation
von: Reuter, Arik, et al.
Veröffentlicht: (2024)

GPTopic: Dynamic and Interactive Topic Representations
von: Reuter, Arik, et al.
Veröffentlicht: (2024)

Neural Additive Models for Location Scale and Shape: A Framework for Interpretable Neural Regression Beyond the Mean
von: Thielmann, Anton, et al.
Veröffentlicht: (2023)

EviNAM: Intelligibility and Uncertainty via Evidential Neural Additive Models
von: Schleibaum, Sören, et al.
Veröffentlicht: (2026)

Large Language Models Can Automatically Engineer Features for Few-Shot Tabular Learning
von: Han, Sungwon, et al.
Veröffentlicht: (2024)

Can Transformers Learn Full Bayesian Inference in Context?
von: Reuter, Arik, et al.
Veröffentlicht: (2025)

A Brief Review of Hypernetworks in Deep Learning
von: Chauhan, Vinod Kumar, et al.
Veröffentlicht: (2023)

Do-PFN: In-Context Learning for Causal Effect Estimation
von: Robertson, Jake, et al.
Veröffentlicht: (2025)

TabSeq: A Framework for Deep Learning on Tabular Data via Sequential Ordering
von: Habib, Al Zadid Sultan Bin, et al.
Veröffentlicht: (2024)

Predicting the Impact of Scope Changes on Project Cost and Schedule Using Machine Learning Techniques
von: Sadeghi, Soheila
Veröffentlicht: (2024)

Improving Deep Tabular Learning
von: Sarafian, Sivan, et al.
Veröffentlicht: (2025)

Position: The Future of Bayesian Prediction Is Prior-Fitted
von: Müller, Samuel, et al.
Veröffentlicht: (2025)

LLM-Augmented Changepoint Detection: A Framework for Ensemble Detection and Automated Explanation
von: Lukassen, Fabian, et al.
Veröffentlicht: (2026)

A Survey on Deep Tabular Learning
von: Somvanshi, Shriyank, et al.
Veröffentlicht: (2024)

A Survey on Self-Supervised Learning for Non-Sequential Tabular Data
von: Wang, Wei-Yao, et al.
Veröffentlicht: (2024)

Comparing Task-Agnostic Embedding Models for Tabular Data
von: Hoppe, Frederik, et al.
Veröffentlicht: (2025)

Benchmarking Optimizers for MLPs in Tabular Deep Learning
von: Gorishniy, Yury, et al.
Veröffentlicht: (2026)

Enhancing Project Performance Forecasting using Machine Learning Techniques
von: Sadeghi, Soheila
Veröffentlicht: (2024)

A Closer Look at Deep Learning Methods on Tabular Datasets
von: Ye, Han-Jia, et al.
Veröffentlicht: (2024)

Universal Embeddings of Tabular Data
von: Franz, Astrid, et al.
Veröffentlicht: (2025)

Tabular and Deep Learning for the Whittle Index
von: Relaño, Francisco Robledo, et al.
Veröffentlicht: (2024)

Boosting Relational Deep Learning with Pretrained Tabular Models
von: Lachi, Veronica, et al.
Veröffentlicht: (2025)

TabularBench: Benchmarking Adversarial Robustness for Tabular Deep Learning in Real-world Use-cases
von: Simonetto, Thibault, et al.
Veröffentlicht: (2024)

TAWRMAC: A Novel Dynamic Graph Representation Learning Method
von: Farokhi, Soheila, et al.
Veröffentlicht: (2025)

Tabular and Deep Reinforcement Learning for Gittins Index
von: Dhankhar, Harshit, et al.
Veröffentlicht: (2024)

Iterative Feature Exclusion Ranking for Deep Tabular Learning
von: Shaninah, Fathi Said Emhemed, et al.
Veröffentlicht: (2024)

Unveiling the Role of Data Uncertainty in Tabular Deep Learning
von: Kartashev, Nikolay, et al.
Veröffentlicht: (2025)

The Road to Learning Explainable Inverse Kinematic Models: Graph Neural Networks as Inductive Bias for Symbolic Regression
von: Pandey, Pravin, et al.
Veröffentlicht: (2025)

From Supervised to Generative: A Novel Paradigm for Tabular Deep Learning with Large Language Models
von: Wen, Xumeng, et al.
Veröffentlicht: (2023)

Deep Tabular Representation Corrector
von: Ye, Hangting, et al.
Veröffentlicht: (2026)

TabQL: In-Context Q-Learning with Tabular Foundation Models
von: Liu, Qisai, et al.
Veröffentlicht: (2026)

Applying Tabular Deep Learning Models to Estimate Crash Injury Types of Young Motorcyclists
von: Somvanshi, Shriyank, et al.
Veröffentlicht: (2025)

Cross-Domain Offshore Wind Power Forecasting: Transfer Learning Through Meteorological Clusters
von: Weisser, Dominic, et al.
Veröffentlicht: (2026)

LLM Embeddings for Deep Learning on Tabular Data
von: Koloski, Boshko, et al.
Veröffentlicht: (2025)

Generating Synthetic Relational Tabular Data via Structural Causal Models
von: Hoppe, Frederik, et al.
Veröffentlicht: (2025)

The Role of Feature Interactions in Graph-based Tabular Deep Learning
von: Dubbeldam, Elias, et al.
Veröffentlicht: (2025)