arXiv cs.AI / cs.LG 最新· Ivan Rubachev·· 1 天前AI 评分56
arXiv 论文研究表格机器学习的数据规模扩展：更多训练数据能否带来更好泛化
On Data Scaling in Tabular ML: More Data, Better Generalization?
AI 导读
arXiv 论文用八个最大约一千万条训练样本的真实表格数据集，检验训练数据扩展是否带来更好泛化。实验发现 GBDT 与 MLP 类模型的扩展趋势大体相近，增加训练数据和算法改进都能带来提升，表格基础模型表现更分化，较新版本在分布偏移下仍能随上下文变长而受益。分布内与分布外性能在小规模时同步提升，规模变大后可能背离；MLP 用贴近评测条件的验证集做模型选择时，通常能维持或提升性能。
标题与摘要由 AI 辅助生成，事实与观点以原文为准。
来源：arXiv cs.AI / cs.LG 最新 · arxiv.org
本站标题、摘要与推荐理由由 AI 辅助生成；原文版权归来源所有。