Buchumschlag

Interpretable Feature Interaction via Statistical Self-supervised Learning on Tabular Data

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zhang, Xiaochen, Xiong, Haoyi
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Knockoff-Guided Compressive Sensing: A Statistical Machine Learning Framework for Support-Assured Signal Recovery
von: Zhang, Xiaochen, et al.
Veröffentlicht: (2025)

Knoop: Practical Enhancement of Knockoff with Over-Parameterization for Variable Selection
von: Zhang, Xiaochen, et al.
Veröffentlicht: (2025)

Deep Learning with Tabular Data: A Self-supervised Approach
von: Vyas, Tirth Kiranbhai
Veröffentlicht: (2024)

Self-supervised Representation Learning From Random Data Projectors
von: Sui, Yi, et al.
Veröffentlicht: (2023)

ProtoNAM: Prototypical Neural Additive Models for Interpretable Deep Tabular Learning
von: Xiong, Guangzhi, et al.
Veröffentlicht: (2024)

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

Interpretable Mesomorphic Networks for Tabular Data
von: Kadra, Arlind, et al.
Veröffentlicht: (2023)

Interpretable Deep Clustering for Tabular Data
von: Svirsky, Jonathan, et al.
Veröffentlicht: (2023)

InterpreTabNet: Distilling Predictive Signals from Tabular Data by Salient Feature Interpretation
von: Si, Jacob, et al.
Veröffentlicht: (2024)

Statistical Embeddings for Similarity, Retrieval, and Interpretable Alignment of Numeric Tabular Datasets
von: Kunz, M. Ross, et al.
Veröffentlicht: (2026)

Learning Relational Tabular Data without Shared Features
von: Wu, Zhaomin, et al.
Veröffentlicht: (2025)

Spectral Self-supervised Feature Selection
von: Segal, Daniel, et al.
Veröffentlicht: (2024)

Towards Interpretable Deep Neural Networks for Tabular Data
von: Elhadri, Khawla, et al.
Veröffentlicht: (2025)

Interpretable Graph Neural Networks for Heterogeneous Tabular Data
von: Alkhatib, Amr, et al.
Veröffentlicht: (2024)

Arithmetic Feature Interaction Is Necessary for Deep Tabular Learning
von: Cheng, Yi, et al.
Veröffentlicht: (2024)

T-JEPA: Augmentation-Free Self-Supervised Learning for Tabular Data
von: Thimonier, Hugo, et al.
Veröffentlicht: (2024)

Statistical-Neural Interaction Networks for Interpretable Mixed-Type Data Imputation
von: Deng, Ou, et al.
Veröffentlicht: (2026)

Tabular Data Contrastive Learning via Class-Conditioned and Feature-Correlation Based Augmentation
von: Cui, Wei, et al.
Veröffentlicht: (2024)

FeatNavigator: Automatic Feature Augmentation on Tabular Data
von: Liang, Jiaming, et al.
Veröffentlicht: (2024)

Deep Feature Embedding for Tabular Data
von: Wu, Yuqian, et al.
Veröffentlicht: (2024)

Interpretable Graph Neural Networks for Tabular Data
von: Alkhatib, Amr, et al.
Veröffentlicht: (2023)

Validity of Feature Importance in Low-Performing Machine Learning for Tabular Biomedical Data
von: Lee, Youngro, et al.
Veröffentlicht: (2024)

Learning Interpretable Differentiable Logic Networks for Tabular Regression
von: Yue, Chang, et al.
Veröffentlicht: (2025)

How Usable is Automated Feature Engineering for Tabular Data?
von: Schäfer, Bastian, et al.
Veröffentlicht: (2025)

CAST: Cluster-Aware Self-Training for Tabular Data via Reliable Confidence
von: Kim, Minwook, et al.
Veröffentlicht: (2023)

Interpretable Tabular Foundation Models via In-Context Kernel Regression
von: Miftachov, Ratmir, et al.
Veröffentlicht: (2026)

Feature Space Renormalization for Semi-supervised Learning
von: Sun, Jun, et al.
Veröffentlicht: (2023)

XNNTab -- Interpretable Neural Networks for Tabular Data using Sparse Autoencoders
von: Elhadri, Khawla, et al.
Veröffentlicht: (2025)

TabKD: Tabular Knowledge Distillation through Interaction Diversity of Learned Feature Bins
von: Pereira, Shovon Niverd, et al.
Veröffentlicht: (2026)

GAMformer: Bridging Tabular Foundation Models and Interpretable Machine Learning
von: Mueller, Andreas, et al.
Veröffentlicht: (2024)

TFWT: Tabular Feature Weighting with Transformer
von: Zhang, Xinhao, et al.
Veröffentlicht: (2024)

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

Contextual Learning for Anomaly Detection in Tabular Data
von: King, Spencer, et al.
Veröffentlicht: (2025)

Algorithmic Recourse of In-Context Learning for Tabular Data
von: Dong, Wenshuo, et al.
Veröffentlicht: (2026)

Optimized Feature Generation for Tabular Data via LLMs with Decision Tree Reasoning
von: Nam, Jaehyun, et al.
Veröffentlicht: (2024)

Breaking the Quality-Privacy Tradeoff in Tabular Data Generation via In-Context Learning
von: Han, Xinyan, et al.
Veröffentlicht: (2026)

Imputation-free Learning of Tabular Data with Missing Values using Incremental Feature Partitions in Transformer
von: Samad, Manar D., et al.
Veröffentlicht: (2025)

Transformers for Tabular Data: A Training Perspective of Self-Attention via Optimal Transport
von: Quadrio, Alessandro, et al.
Veröffentlicht: (2025)

Patent Representation Learning via Self-supervision
von: Zuo, You, et al.
Veröffentlicht: (2025)

On Learning Representations for Tabular Data Distillation
von: Kang, Inwon, et al.
Veröffentlicht: (2025)