面向近红外化学传感数据的表格基座模型稳健校准

近红外光谱技术日益增长作为一种快速、无损的化学传感技术，用于食品、药品、生物和环境样本的分析。然而，NIR 传感器的实际部署仍依赖于能够处理高维、共线光谱、有限样本量、预处理依赖性、光谱异常值以及校准域外外推的校准模型。本文评估了表格基座模型是否为 NIR 化学传感提供新的校准策略。我们在66个 NIR 数据集上对 TabPFN 进行基准测试，涵盖54个回归任务和12个分类任务，将直接对原始光谱进行推断与使用预处理优化推断进行比较，后者针对 PLS/PLS-DA、Ridge、Catboost 和一维卷积神经网络。该研究采用统一的验证框架，在校准数据上仅执行预处理和模型选择，然后进行外部测试评估。在回归任务中，预处理优化后的 TabPFN 实现了最佳的总体平均排名，显著优于 PLS、CatBoost、TabPFN 原始光谱推断和 CNN-1D，同时在统计上与 Ridge 相当。在分类任务中，直接应用于原始光谱的 TabPFN 实现了最佳平均排名，性能接近优化后的变体。鲁棒性分析显示，TabPFN 提供了强劲的平均预测性能，但其优势在光谱异常值和外推样本上会减弱，在这些情况下，经典化学计模型仍具竞争力。这些结果表明，表格基座模型可以补充 NIR 化学传感中已建立的化学计工作流程，特别是在小型至中型校准设置下，而凸显了针对光谱的先验条件和不确定性感知部署策略的必要性。