![](\"https:\/\/oaidalleapiprodscus.blob.core.windows.net\/private\/org-PXteLUy4B6mslwRon6h7ri9z\/user-0jfma6aPNvZyLXZUbw4CmvZG\/img-3Ucofnldr7yC4tzHVb3e9QjJ.png?st=2024-07-24T10%3A10%3A29Z&se=2024-07-24T12%3A10%3A29Z&sp=r&sv=2023-11-03&sr=b&rscd=inline&rsct=image\/png&skoid=6aaadede-4fb3-4698-a8f6-684d7786b067&sktid=a48cca56-e6da-484e-a814-9c849652bcb3&skt=2024-07-23T23%3A12%3A21Z&ske=2024-07-24T23%3A12%3A21Z&sks=b&skv=2023-11-03&sig=E3ZUIMgdj%2BiYqToa7OgqZHYPyqDWWLED%2B%2BHw0jEvE8M%3D\")
<\/p>\n<\/p>\n
Ces derni\u00e8res ann\u00e9es, la recherche en apprentissage automatique tabulaire a connu une croissance rapide, mais elle pr\u00e9sente encore des d\u00e9fis importants. Les benchmarks acad\u00e9miques disponibles ne refl\u00e8tent pas toujours les complexit\u00e9s des applications industrielles r\u00e9elles, manquant souvent de m\u00e9tadonn\u00e9es temporelles n\u00e9cessaires ou de pipelines d’acquisition de donn\u00e9es et d’ing\u00e9nierie des fonctionnalit\u00e9s aussi complets que ceux de l’industrie.<\/p>\n
Pour combler ces lacunes, des chercheurs de Yandex et de la HSE University ont introduit TabReD, un nouveau benchmark con\u00e7u pour \u00eatre plus repr\u00e9sentatif des applications industrielles. TabReD rassemble huit ensembles de donn\u00e9es issus de domaines tels que la finance, la livraison de nourriture et l’immobilier.<\/p>\n
Les ensembles de donn\u00e9es de TabReD comprennent des informations cruciales souvent absentes des benchmarks acad\u00e9miques, comme des d\u00e9coupages bas\u00e9s sur des horodatages et une ing\u00e9nierie des fonctionnalit\u00e9s plus pouss\u00e9e. Les tests ont montr\u00e9 que les strat\u00e9gies de d\u00e9coupage temporel sont essentielles pour une \u00e9valuation pr\u00e9cise, avec des mod\u00e8les comme MLP avec des embeddings se r\u00e9v\u00e9lant efficaces, contrairement \u00e0 des mod\u00e8les plus avanc\u00e9s dans ce contexte. TabReD ouvre de nouvelles perspectives de recherche pour am\u00e9liorer l’impl\u00e9mentation des mod\u00e8les ML dans des environnements de production r\u00e9els.<\/p>\n","protected":false},"excerpt":{"rendered":"
Ces derni\u00e8res ann\u00e9es, la recherche en apprentissage automatique tabulaire a connu une croissance rapide, mais elle pr\u00e9sente encore des d\u00e9fis importants. Les benchmarks acad\u00e9miques disponibles ne refl\u00e8tent pas toujours les complexit\u00e9s des applications industrielles r\u00e9elles, manquant souvent de m\u00e9tadonn\u00e9es temporelles n\u00e9cessaires ou de pipelines d’acquisition de donn\u00e9es et d’ing\u00e9nierie des fonctionnalit\u00e9s aussi complets que ceux […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-198","post","type-post","status-publish","format-standard","hentry","category-uncategorized"],"yoast_head":"\n