Buchumschlag

xRFM: Accurate, scalable, and interpretable feature learning models for tabular data

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Beaglehole, Daniel, Holzmüller, David, Radhakrishnan, Adityanarayanan, Belkin, Mikhail
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

Toward universal steering and monitoring of AI models
von: Beaglehole, Daniel, et al.
Veröffentlicht: (2025)

Emergence in non-neural models: grokking modular arithmetic via average gradient outer product
von: Mallinar, Neil, et al.
Veröffentlicht: (2024)

Catapults in SGD: spikes in the training loss and their impact on generalization through feature learning
von: Zhu, Libin, et al.
Veröffentlicht: (2023)

Linear Recursive Feature Machines provably recover low-rank matrices
von: Radhakrishnan, Adityanarayanan, et al.
Veröffentlicht: (2024)

Quadratic models for understanding catapult dynamics of neural networks
von: Zhu, Libin, et al.
Veröffentlicht: (2022)

TabICLv2: A better, faster, scalable, and open tabular foundation model
von: Qu, Jingang, et al.
Veröffentlicht: (2026)

Context-Scaling versus Task-Scaling in In-Context Learning
von: Abedsoltan, Amirhesam, et al.
Veröffentlicht: (2024)

The Weight Gram Matrix Captures Sequential Feature Linearization in Deep Networks
von: Cha, Taehun, et al.
Veröffentlicht: (2026)

Contextual Linear Activation Steering of Language Models
von: Hsu, Brandon, et al.
Veröffentlicht: (2026)

Efficient and accurate steering of Large Language Models through attention-guided feature learning
von: Davarmanesh, Parmida, et al.
Veröffentlicht: (2026)

Average gradient outer product as a mechanism for deep neural collapse
von: Beaglehole, Daniel, et al.
Veröffentlicht: (2024)

Distributionally robust self-supervised learning for tabular data
von: Ghosh, Shantanu, et al.
Veröffentlicht: (2024)

An interpretable prototype parts-based neural network for medical tabular data
von: Karolczak, Jacek, et al.
Veröffentlicht: (2026)

Convex space learning for tabular synthetic data generation
von: Mahendra, Manjunath, et al.
Veröffentlicht: (2024)

Tokenize features, enhancing tables: the FT-TABPFN model for tabular classification
von: Liu, Quangao, et al.
Veröffentlicht: (2024)

Beyond ReLU: How Activations Affect Neural Kernels and Random Wide Networks
von: Holzmüller, David, et al.
Veröffentlicht: (2025)

Feature learning as alignment: a structural property of gradient descent in non-linear neural networks
von: Beaglehole, Daniel, et al.
Veröffentlicht: (2024)

X-TIME: An in-memory engine for accelerating machine learning on tabular data with CAMs
von: Pedretti, Giacomo, et al.
Veröffentlicht: (2023)

ExplainerPFN: Towards tabular foundation models for model-free zero-shot feature importance estimations
von: Fonseca, Joao, et al.
Veröffentlicht: (2026)

Convergence Rates for Non-Log-Concave Sampling and Log-Partition Estimation
von: Holzmüller, David, et al.
Veröffentlicht: (2023)

Deep generative models as an adversarial attack strategy for tabular machine learning
von: Dyrmishi, Salijona, et al.
Veröffentlicht: (2024)

Dependency-aware synthetic tabular data generation
von: Umesh, Chaithra, et al.
Veröffentlicht: (2025)

Better by Default: Strong Pre-Tuned MLPs and Boosted Trees on Tabular Data
von: Holzmüller, David, et al.
Veröffentlicht: (2024)

Table Foundation Models: on knowledge pre-training for tabular learning
von: Kim, Myung Jun, et al.
Veröffentlicht: (2025)

Understanding the limitations of self-supervised learning for tabular anomaly detection
von: Mai, Kimberly T., et al.
Veröffentlicht: (2023)

Anchor-based oversampling for imbalanced tabular data via contrastive and adversarial learning
von: Mohammadi, Hadi, et al.
Veröffentlicht: (2025)

Accurate and scalable exchange-correlation with deep learning
von: Luise, Giulia, et al.
Veröffentlicht: (2025)

Fast training of large kernel models with delayed projections
von: Abedsoltan, Amirhesam, et al.
Veröffentlicht: (2024)

A supervised generative optimization approach for tabular data
von: Nakamura-Sakai, Shinpei, et al.
Veröffentlicht: (2023)

DAGAF: A directed acyclic generative adversarial framework for joint structure learning and tabular data synthesis
von: Petkov, Hristo, et al.
Veröffentlicht: (2026)

SeBA: Semi-supervised few-shot learning via Separated-at-Birth Alignment for tabular data
von: Jurek, Kacper, et al.
Veröffentlicht: (2026)

Benchmarking machine learning for bowel sound pattern classification from tabular features to pretrained models
von: Mansour, Zahra, et al.
Veröffentlicht: (2025)

Targeted synthetic data generation for tabular data via hardness characterization
von: Ferracci, Tommaso, et al.
Veröffentlicht: (2024)

MMM and MMMSynth: Clustering of heterogeneous tabular data, and synthetic data generation
von: Kumari, Chandrani, et al.
Veröffentlicht: (2023)

Closing the gap on tabular data with Fourier and Implicit Categorical Features
von: Dragoi, Marius, et al.
Veröffentlicht: (2026)

TREB: a BERT attempt for imputing tabular data imputation
von: Wang, Shuyue, et al.
Veröffentlicht: (2024)

Interpretable classifiers for tabular data via discretization and feature selection
von: Jaakkola, Reijo, et al.
Veröffentlicht: (2024)

Discovering interpretable models of scientific image data with deep learning
von: Soelistyo, Christopher J., et al.
Veröffentlicht: (2024)

Catching rationalization in the act: detecting motivated reasoning before and after CoT via activation probing
von: Mirtaheri, Parsa, et al.
Veröffentlicht: (2026)

KumoRFM-2: Scaling Foundation Models for Relational Learning
von: Hudovernik, Valter, et al.
Veröffentlicht: (2026)