Buchumschlag

Shaping the Prior: How Synthetic Task Distributions Determine Tabular Foundation Model Quality

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Bouadi, Mohamed, Bouarour, Nassim, Kulkarni, Varun, Dubey, Shivam, Tanna, Aditya, Sankarapu, Vinay Kumar
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

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

Ensembling Tabular Foundation Models - A Diversity Ceiling And A Calibration Trap
von: Tanna, Aditya, 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)

Pocket Foundation Models: Distilling TFMs into CPU-Ready Gradient-Boosted Trees
von: Tanna, Aditya, et al.
Veröffentlicht: (2026)

Exploring Fine-Tuning for Tabular Foundation Models
von: Tanna, Aditya, et al.
Veröffentlicht: (2026)

Orion-Bix: Bi-Axial Attention for Tabular In-Context Learning
von: Bouadi, Mohamed, et al.
Veröffentlicht: (2025)

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

Orion-MSP: Multi-Scale Sparse Attention for Tabular In-Context Learning
von: Bouadi, Mohamed, et al.
Veröffentlicht: (2025)

Position: Behavioural Assurance Cannot Verify the Safety Claims Governance Now Demands
von: Seth, Pratinav, et al.
Veröffentlicht: (2026)

Mind the Gap? A Distributional Comparison of Real and Synthetic Priors for Tabular Foundation Models
von: Davies, Alex O., et al.
Veröffentlicht: (2026)

Bridging the Gap in XAI-Why Reliable Metrics Matter for Explainability and Compliance
von: Seth, Pratinav, et al.
Veröffentlicht: (2025)

Beyond KL Divergence: Policy Optimization with Flexible Bregman Divergences for LLM Reasoning
von: Yuan, Rui, et al.
Veröffentlicht: (2026)

Beyond Uniform Credit: Causal Credit Assignment for Policy Optimization
von: Khandoga, Mykola, et al.
Veröffentlicht: (2026)

Interpretability as Alignment: Making Internal Understanding a Design Principle
von: Sengupta, Aadit, et al.
Veröffentlicht: (2025)

$C$-$ΔΘ$: Circuit-Restricted Weight Arithmetic for Selective Refusal
von: Kasliwal, Aditya, et al.
Veröffentlicht: (2026)

Activation Steering for Bias Mitigation: An Interpretable Approach to Safer LLMs
von: Dubey, Shivam
Veröffentlicht: (2025)

DLBacktrace: A Model Agnostic Explainability for any Deep Learning Models
von: Sankarapu, Vinay Kumar, et al.
Veröffentlicht: (2024)

When Tabular Foundation Models Meet Strategic Tabular Data: A Prior Alignment Approach
von: Lv, Xinpeng, et al.
Veröffentlicht: (2026)

Microeconomic Foundations of Multi-Agent Learning
von: Helou, Nassim
Veröffentlicht: (2026)

xai_evals : A Framework for Evaluating Post-Hoc Local Explanation Methods
von: Seth, Pratinav, et al.
Veröffentlicht: (2025)

Interpretability-Aware Pruning for Efficient Medical Image Analysis
von: Malik, Nikita, et al.
Veröffentlicht: (2025)

Leveraging Knowlegde Graphs for Interpretable Feature Generation
von: Bouadi, Mohamed, et al.
Veröffentlicht: (2024)

Intersectional Sycophancy: How Perceived User Demographics Shape False Validation in Large Language Models
von: Maltbie, Benjamin, et al.
Veröffentlicht: (2026)

Mitra: Mixed Synthetic Priors for Enhancing Tabular Foundation Models
von: Zhang, Xiyuan, et al.
Veröffentlicht: (2025)

ShapeCodeBench: A Renewable Benchmark for Perception-to-Program Reconstruction of Synthetic Shape Scenes
von: Kumar, Shivam
Veröffentlicht: (2026)

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

Forgetting That Sticks: Quantization-Permanent Unlearning via Circuit Attribution
von: Sadhu, Saisab, et al.
Veröffentlicht: (2026)

From Rows to Yields: How Foundation Models for Tabular Data Simplify Crop Yield Prediction
von: Sabo, Filip, et al.
Veröffentlicht: (2025)

Specification-Aware Distribution Shaping for Robotics Foundation Models
von: Yüksel, Sadık Bera, et al.
Veröffentlicht: (2026)

How Context Shapes Truth: Geometric Transformations of Statement-level Truth Representations in LLMs
von: Adarsh, Shivam, et al.
Veröffentlicht: (2026)

GASP: Gaussian Avatars with Synthetic Priors
von: Saunders, Jack, et al.
Veröffentlicht: (2024)

Hire-Smart: Automating Candidate Screening and Interview Analysis
von: Yadav, Sandesh, et al.
Veröffentlicht: (2026)

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

Fuzzy Convolution Neural Networks for Tabular Data Classification
von: Kulkarni, Arun D.
Veröffentlicht: (2024)

A Likelihood Based Approach to Distribution Regression Using Conditional Deep Generative Models
von: Kumar, Shivam, et al.
Veröffentlicht: (2024)

Computing Conditional Shapley Values Using Tabular Foundation Models
von: Olsen, Lars Henry Berge, et al.
Veröffentlicht: (2026)

Why Synthetic Isn't Real Yet: A Diagnostic Framework for Contact Center Dialogue Generation
von: Devanathan, Rishikesh, et al.
Veröffentlicht: (2025)

Hierarchical Repository-Level Code Summarization for Business Applications Using Local LLMs
von: Dhulshette, Nilesh, et al.
Veröffentlicht: (2025)

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

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