OmniTabBench：规模化表格数据中 GBDT、神经网络与基础模型的经验前沿图景
机器学习
2026-04-09 v1 人工智能
摘要
虽然传统基于树的集成方法长期主导表格任务，但深度神经网络和新兴的基础模型已挑战了这一主导地位，然而目前尚无统一的优势范式。现有基准通常包含不足 100 个数据集，引发对评估充分性和潜在选择偏差的担忧。为解决这些限制，我们介绍 OmniTabBench，目前规模最大的表格基准，包含 3030 个数据集，涵盖多样化任务，数据来源于多种来源并基于大型语言模型按行业进行分类。我们对来自所有模型家族的先进模型在 OmniTabBench 上的进行前所未有的大规模经验评估，确认不存在绝对的制胜者。此外，通过解耦的元特征分析，该分析检查单个属性，如数据集大小、特征类型、特征和目标的偏度/峰度，我们阐明了特定模型类别受益的条件，提供比先前复合度量研究更清晰、更可操作的指导。
引用
@article{arxiv.2604.06814,
title = {OmniTabBench: Mapping the Empirical Frontiers of GBDTs, Neural Networks, and Foundation Models for Tabular Data at Scale},
author = {Dihong Jiang and Ruoqi Cao and Zhiyuan Dang and Li Huang and Qingsong Zhang and Zhiyu Wang and Shihao Piao and Shenggao Zhu and Jianlong Chang and Zhouchen Lin and Qi Tian},
journal= {arXiv preprint arXiv:2604.06814},
year = {2026}
}