表格学习（Tabular Learning）是一类针对结构化表格数据进行建模和分析的机器学习方法，其数据通常由行（Samples）和列（Features）组成，每一行表示一个样本实例，每一列表示对应的属性或特征。与主要处理文本、图像等非结构化数据的模型不同，表格学习关注如何有效利用结构化数据中的数值、类别以及特征之间的关系进行分类、回归和预测任务。

表格学习的发展建立在传统机器学习和统计建模方法的基础之上。长期以来，梯度提升树（Gradient Boosting Decision Trees, GBDT）、随机森林（Random Forest）等方法一直是处理表格数据的重要技术路线。随着深度学习的发展，研究人员开始探索利用神经网络提升表格数据建模能力。 2019 年，Google Cloud AI 研究人员提出 TabNet: Attentive Interpretable Tabular Learning，通过引入基于注意力机制的特征选择方法，使神经网络能够在预测过程中动态关注重要特征，提升了深度学习模型在表格数据任务中的可解释性和应用能力，成为深度表格学习领域的重要代表性研究之一。

现代表格学习方法涵盖树模型、深度神经网络以及近年来发展的表格基础模型（Tabular Foundation Models）等技术路线。该领域主要解决传统机器学习系统在复杂结构化数据处理中面临的特征交互建模、类别变量处理和泛化能力等问题。目前，表格学习已广泛应用于金融风险评估、商业预测、医疗数据分析、工业检测和推荐系统等场景，是企业数据智能分析中的重要技术方向。