神經啟發壓縮

深度分析

GOTabPFN：圖形導向特徵排序與神經啟發壓縮提升 TabPFN‑2.5 在高維表格任務的效能

在特徵數遠大於樣本數的高維表格預測中，傳統TabPFN難以直接處理。研究提出 GO‑LR 排序結合 NSC 壓縮，先以圖形導向排列特徵，再將相鄰特徵聚合為元特徵，形成緊湊表示。實驗顯示在多項基準上，GOTabPFN 在嚴格的 token 預算下提升了穩定性與準確度。