Buchumschlag

TFM-Retouche: A Lightweight Input-Space Adapter for Tabular Foundation Models

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Nguyen, Duong, Jawhar, Mohammed, Chesneau, Nicolas
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Foundation models for time series forecasting: Application in conformal prediction
von: Achour, Sami, et al.
Veröffentlicht: (2025)

Robust Tabular Foundation Models
von: Peroni, Matthew, et al.
Veröffentlicht: (2025)

Tabular Data Adapters: Improving Outlier Detection for Unlabeled Private Data
von: Herurkar, Dayananda, et al.
Veröffentlicht: (2025)

Measuring and Mitigating Bias for Tabular Datasets with Multiple Protected Attributes
von: Duong, Manh Khoi, et al.
Veröffentlicht: (2024)

Distilling Tabular Foundation Models for Structured Health Data
von: Tanna, Aditya, et al.
Veröffentlicht: (2026)

LUCoS: Latent Unsupervised Context Selection for Tabular Foundation Models
von: Ipas, Oroel, et al.
Veröffentlicht: (2026)

TabDPT: Scaling Tabular Foundation Models on Real Data
von: Ma, Junwei, et al.
Veröffentlicht: (2024)

In-context Learning of Evolving Data Streams with Tabular Foundational Models
von: Lourenço, Afonso, et al.
Veröffentlicht: (2025)

Generating Realistic Tabular Data with Large Language Models
von: Nguyen, Dang, et al.
Veröffentlicht: (2024)

Dual-Personalizing Adapter for Federated Foundation Models
von: Yang, Yiyuan, et al.
Veröffentlicht: (2024)

Ensembling Tabular Foundation Models - A Diversity Ceiling And A Calibration Trap
von: Tanna, Aditya, et al.
Veröffentlicht: (2026)

TabICL: A Tabular Foundation Model for In-Context Learning on Large Data
von: Qu, Jingang, et al.
Veröffentlicht: (2025)

Tabular Foundation Models Can Learn Association Rules
von: Karabulut, Erkan, et al.
Veröffentlicht: (2026)

Is One Layer Enough? Understanding Inference Dynamics in Tabular Foundation Models
von: Balef, Amir Rezaei, et al.
Veröffentlicht: (2026)

BBox-Adapter: Lightweight Adapting for Black-Box Large Language Models
von: Sun, Haotian, et al.
Veröffentlicht: (2024)

CausalProfiler: Generating Synthetic Benchmarks for Rigorous and Transparent Evaluation of Causal Machine Learning
von: Panayiotou, Panayiotis, et al.
Veröffentlicht: (2025)

Lightweight LSTM Model for Energy Theft Detection via Input Data Reduction
von: Collier, Caylum, et al.
Veröffentlicht: (2025)

Spectral Adapter: Fine-Tuning in Spectral Space
von: Zhang, Fangzhao, et al.
Veröffentlicht: (2024)

TabTune: A Unified Library for Inference and Fine-Tuning Tabular Foundation Models
von: Tanna, Aditya, et al.
Veröffentlicht: (2025)

ECG-RAMBA: Zero-Shot ECG Generalization by Morphology-Rhythm Disentanglement and Long-Range Modeling
von: Nguyen, Hai Duong, et al.
Veröffentlicht: (2025)

FoMo-0D: A Foundation Model for Zero-shot Tabular Outlier Detection
von: Shen, Yuchen, et al.
Veröffentlicht: (2024)

ABBA-Adapters: Efficient and Expressive Fine-Tuning of Foundation Models
von: Singhal, Raghav, et al.
Veröffentlicht: (2025)

Evaluating the Relevance of Uncertainty Estimators for LLM Hallucination
von: Agnimo, Yedidia, et al.
Veröffentlicht: (2026)

MultiTab: A Scalable Foundation for Multitask Learning on Tabular Data
von: Sinodinos, Dimitrios, et al.
Veröffentlicht: (2025)

Shaping the Prior: How Synthetic Task Distributions Determine Tabular Foundation Model Quality
von: Bouadi, Mohamed, et al.
Veröffentlicht: (2026)

Auditing and Fixing Economic Validity in Tabular Foundation Models for Discrete Choice
von: Wang, Yingshuo, et al.
Veröffentlicht: (2026)

Position: Causal Machine Learning Requires Rigorous Synthetic Experiments for Broader Adoption
von: Poinsot, Audrey, et al.
Veröffentlicht: (2025)

CoRA: Boosting Time Series Foundation Models for Multivariate Forecasting through Correlation-aware Adapter
von: Cheng, Hanyin, et al.
Veröffentlicht: (2026)

Graph Adapter of EEG Foundation Models for Parameter Efficient Fine Tuning
von: Suzumura, Toyotaro, et al.
Veröffentlicht: (2024)

Distributional Regression with Tabular Foundation Models: Evaluating Probabilistic Predictions via Proper Scoring Rules
von: Landsgesell, Jonas, et al.
Veröffentlicht: (2026)

Data Presentation Over Architecture: Resampling Strategies for Credit Risk Prediction with Tabular Foundation Models
von: Tanna, Aditya, et al.
Veröffentlicht: (2026)

Light-Weight Benchmarks Reveal the Hidden Hardware Cost of Zero-Shot Tabular Foundation Models
von: Gangwani, Ishaan, et al.
Veröffentlicht: (2025)

IPA: An Information-Reconstructive Input Projection Framework for Efficient Foundation Model Adaptation
von: Yin, Yuan, et al.
Veröffentlicht: (2025)

Position: Foundation Models for Tabular Data within Systemic Contexts Need Grounding
von: Klein, Tassilo, et al.
Veröffentlicht: (2025)

Mantis: Lightweight Calibrated Foundation Model for User-Friendly Time Series Classification
von: Feofanov, Vasilii, et al.
Veröffentlicht: (2025)

Enabling Causal Discovery in Post-Nonlinear Models with Normalizing Flows
von: Hoang, Nu, et al.
Veröffentlicht: (2024)

Deep Learning within Tabular Data: Foundations, Challenges, Advances and Future Directions
von: Ren, Weijieying, et al.
Veröffentlicht: (2025)

OmniTabBench: Mapping the Empirical Frontiers of GBDTs, Neural Networks, and Foundation Models for Tabular Data at Scale
von: Jiang, Dihong, et al.
Veröffentlicht: (2026)

A Lightweight Deep Learning-based Model for Ranking Influential Nodes in Complex Networks
von: Ramadhan, Mohammed A., et al.
Veröffentlicht: (2025)

Lightweight Time Series Data Valuation on Time Series Foundation Models via In-Context Finetuning
von: Wu, Shunyu, et al.
Veröffentlicht: (2025)