مابا تاب: نموذج جاهز للتشغيل لتعلم البيانات الجدولية

رغم انتشار الصور والنصوص في التعلم الآلي، تظل البيانات الجدولية شائعة الاستخدام عبر مجالات متنوعة. تُظهر النماذج العميقة الحالية، مثل الشبكات العصبية التلافيفية ونماذج المحولات، أداءً ممتازًا، إلا أنها تتطلب معالجة مسبقة وضبطًا واسعًا، مما يحد من إمكانية الوصول إليها وقابلية التوسع. تقدم هذه الدراسة نهجًا مبتكرًا يستند إلى نموذج الحالة الهيكلي (SSM)، يُسمى MambaTab، لمعالجة البيانات الجدولية. تمتلك نماذج الحالة الهيكلية قدرات قوية في استخراج تمثيلات فعالة من البيانات ذات الاعتماد الطويل المدى بكفاءة. يستفيد MambaTab من Mamba، وهو أحد أشكال نماذج SSM الناشئة، لتنفيذ التعلم المراقب من الطرف إلى الطرف على الجداول. مقارنةً بالأساليب الحالية المتطورة، يُظهر MambaTab أداءً متفوقًا مع الحاجة إلى عدد أقل بكثير من المعلمات، كما تم التحقق من ذلك تجريبيًا على مجموعة متنوعة من مجموعات البيانات القياسية. تُبرز كفاءة MambaTab وقابلية التوسع وعامة التطبيق وتحسينات التنبؤ أنه حل خفيف الوزن وسهل الاستخدام ("توصيل وتشغيل") للبيانات الجدولية المتنوعة، مع إمكانات كبيرة لتمكين تطبيقات عملية أوسع.