TablEye：通过图像视角审视小型表格
机器学习
2023-07-07 v1 人工智能
摘要
少样本表格学习的探索变得势在必行。表格数据是一种捕获多样信息的通用表示，却也难免受限于数据与模型规模的特性。标注大规模表格数据可能颇具挑战，且未必能捕获所有重要特征。然而少样本表格学习仍相对未被充分探索，主要源于独立数据集间共享信息的匮乏以及表格数据内边界定义固有的模糊性。据我们所知，尚未开发出不施加数据集约束的有意义且无限制的少样本表格学习技术。本文提出一种称为 TablEye 的创新框架，旨在通过域变换克服表格数据先验知识构建的局限。其通过生成表格图像实现域变换，有效保留原始表格数据的内在语义。该方法利用经过严格测试的少样本学习算法与嵌入函数来获取并应用先验知识。借助共享数据域，我们得以运用最初从图像域习得的先验知识。具体而言，TablEye 在 4-shot 任务中以最高 0.11 AUC 优于 TabLLM，在 1-shot 设定下以平均 3.17% 准确率领先 STUNT，展现出优越性能。
引用
@article{arxiv.2307.02491,
title = {TablEye: Seeing small Tables through the Lens of Images},
author = {Seung-eon Lee and Sang-Chul Lee},
journal= {arXiv preprint arXiv:2307.02491},
year = {2023}
}