作者：  （1）P Aditya Sreekar、亚马逊和这些作者对本文做出了同等贡献 {sreekarp@amazon.com}；  （2）Sahil Verm、亚马逊和这些作者对本文做出了同等贡献 {vrsahil@amazon.com;}  （3）Varun Madhavan，印度理工学院，Kharagpur。在亚马逊实习期间完成的工作{varunmadhavan@iitkgp.ac.in}；  （4）Abhishek Persad，亚马逊{persadap@amazon.com}。 链接表 摘要和引言 相关作品 方法 实验 结论和未来工作 参考 参考 Alexander Amini、Wilko Schwarting、Ava Soleimany 和 Daniela Rus。深度证据回归。CoRR，abs/1910.02600，2019 年。网址 http://arxiv.org/abs/1910.02600。  Sercan O Arik、Engin Gedik、Kenan Guney 和 Umut Atilla。Tabnet：专注的可解释表格学习。《神经信息处理系统进展》，第 10951–10961 页，2019 年。  Christopher M Bishop。模式识别和机器学习。Springer，第 2 章，第 36-43 页。2006 年。  Leo Breiman。随机森林。机器学习，45(1):5–32，2001 年。  Jintai Chen、Kuanlun Liao、Yao Wan、Danny Z Chen 和 Jian Wu。Danets：用于表格数据分类和回归的深度抽象网络。在《AAAI 人工智能会议论文集》第 36 卷，第 3930–3938 页，2022 年。  Tianqi Chen 和 Carlos Guestrin。Xgboost：可扩展的树提升系统。第 22 届 ACM SIGKDD 国际知识发现和数据挖掘会议论文集，第 785–794 页，2016 年。  Jacob Devlin、Ming-Wei Chang、Kenton Lee 和 Kristina Toutanova。BERT：用于语言理解的深度双向转换器的预训练。Jill Burstein、Christy Doran 和 Thamar Solorio 编辑，计算语言学协会北美分会 2019 年会议论文集：人类语言技术，NAACL-HLT 2019，美国明尼苏达州明尼阿波利斯，2019 年 6 月 2 日至 7 日，第 1 卷（长篇和短篇论文），第 4171–4186 页。计算语言学协会，2019 年。doi：10.18653/v1/n19-1423。URL https://doi.org/10.18653/v1/n19-1423。  Alexey Dosovitskiy、Lucas Beyer、Alexander Kolesnikov、Dirk Weissenborn、翟晓华、Thomas Unterthiner、Mostafa Dehghani、Matthias Minderer、Georg Heigold、Sylvain Gelly、Jakob Uszkoreit 和 Neil Houlsby。一张图片胜过 16x16 个单词：用于大规模图像识别的 Transformers。 ICLR，2021 年。  Nick Erickson、Jonas Mueller、Alexander Shirkov、Hang Zhang、Pedro Larroy、Mu Li 和 Alexander Smola。Autogluon-tabular：适用于结构化数据的稳健且准确的 automl，2020 年。  William Falcon 和 PyTorch Lightning 团队。PyTorch Lightning，3 2019。网址 https://github.com/Lightning-AI/lightning。  Jerome H Friedman。贪婪函数逼近：梯度提升机。《统计年鉴》，第 1189-1232 页，2001 年。  Yuan Gong、Yu-An Chung 和 James Glass。AST：音频频谱图转换器。在 Proc. Interspeech 2021 中，第 571-575 页，2021 年。doi：10.21437/Interspeech.2021-698。  Yury Gorishniy、Ivan Rubachev、Valentin Khrulkov 和 Artem Babenko。重新审视表格数据的深度学习模型。神经信息处理系统进展，34：18932–18943，2021 年。  Trevor Hastie、Robert Tibshirani 和 Jerome Friedman。统计学习的要素：数据挖掘、推理和预测。Springer Science & Business Media，2009 年。  Hussein Hazimeh、Natalia Ponomareva、Petros Mol、Zhenyu Tan 和 Rahul Mazumder。树集成层：可微分性满足条件计算。国际机器学习会议，第 4138-4148 页。PMLR，2020 年。  Xin Huang、Ashish Khetan、Milan Cvitkovic 和 Zohar Karnin。Tabtransformer：使用上下文嵌入的表格数据建模。arXiv 预印本 arXiv:2012.06678，2020 年。  Guolin Ke、Qi Meng、Thomas Finley、Taifeng Wang、Wei Chen、Weidong Ma、Qiwei Ye 和 Tie-Yan Liu。Lightgbm：一种高效的梯度提升决策树。神经信息处理系统进展，30：3146–3154，2017 年。  Diederik P Kingma 和 Jimmy Ba。Adam：一种随机优化方法。arXiv preprint arXiv:1412.6980，2014 年。  Daniele Micci-Barreca。分类和预测问题中高基数分类属性的预处理方案。SIGKDD Explor。Newsl.，3(1):27–32，2001 年 7 月。ISSN 1931-0145。doi：10.1145/507533.507538。URL https://doi.org/10.1145/507533。507538。  Sergei Popov、Stanislav Morozov 和 Artem Babenko。用于表格数据深度学习的神经无意识决策集成。arXiv 预印本 arXiv:1909.06312，2019 年。  Liudmila Prokhorenkova、Gleb Gusev、Alexey Vorobev、Anna Dorogush 和 Andrey Gulin。Catboost：使用分类特征的无偏提升。神经信息处理系统进展，31：6638–6648，2018 年。  Gowthami Somepalli、Micah Goldblum、Avi Schwarzschild、C Bayan Bruss 和 Tom Goldstein。Saint：通过行注意和对比预训练改进表格数据的神经网络。arXiv 预印本 arXiv:2106.01342，2021 年。  Ashish Vaswani、Noam Shazeer、Niki Parmar、Jakob Uszkoreit、Llion Jones、Aidan N Gomez、Lukasz Kaiser 和 Illia Polosukhin。注意力就是你所需要的一切。《神经信息处理系统进展》，第 5998–6008 页，2017 年。 该论文 。 可在 arxiv 上根据 CC BY-NC-ND 4.0 DEED 许可获取

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

Read My Stories

Publications in convolution, driving breakthroughs in signal processing and artificial intelligence.

Convolution's blog

該音頻是用故事的原始語言製作的！

揭示自注意力机制在运输成本预测中的作用：参考文献

About Author

註釋

標籤

这篇文章刊登在

Related Stories

Telegram：加密岛通往大陆的桥梁

成功云迁移的完整指南：策略和最佳实践

释放人工智能的力量。前沿技术的系统评价：摘要与介绍

State of the Noonion: A New Era For Brands and Writers

Telegram：加密岛通往大陆的桥梁

成功云迁移的完整指南：策略和最佳实践

释放人工智能的力量。前沿技术的系统评价：摘要与介绍

State of the Noonion: A New Era For Brands and Writers

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps