Tabellarisches Lernen ist eine Methode des maschinellen Lernens zur Modellierung und Analyse strukturierter tabellarischer Daten. Diese Daten bestehen typischerweise aus Zeilen (Stichproben) und Spalten (Merkmale), wobei jede Zeile eine Stichprobe und jede Spalte ein entsprechendes Attribut oder Merkmal repräsentiert. Im Gegensatz zu Modellen, die primär unstrukturierte Daten wie Text und Bilder verarbeiten, konzentriert sich tabellarisches Lernen darauf, wie die numerischen Werte, Kategorien und Beziehungen zwischen Merkmalen in strukturierten Daten effektiv für Klassifizierungs-, Regressions- und Vorhersageaufgaben genutzt werden können.

Die Entwicklung tabellarischer Lernverfahren baut auf traditionellen Methoden des maschinellen Lernens und der statistischen Modellierung auf. Gradient Boosting Decision Trees (GBDT) und Random Forest sind seit Langem wichtige Techniken zur Verarbeitung tabellarischer Daten. Mit der Entwicklung des Deep Learning begannen Forscher, neuronale Netze zur Verbesserung der Modellierung tabellarischer Daten einzusetzen. Im Jahr 2019 schlugen Forscher von Google Cloud AI vor… TabNet: Aufmerksames, interpretierbares tabellarisches LernenDurch die Einführung einer Merkmalsauswahlmethode, die auf einem Aufmerksamkeitsmechanismus basiert, kann sich das neuronale Netzwerk während des Vorhersageprozesses dynamisch auf wichtige Merkmale konzentrieren. Dies verbessert die Interpretierbarkeit und Anwendungsfähigkeit von Deep-Learning-Modellen bei tabellarischen Datenaufgaben und hat sich zu einer der wichtigsten repräsentativen Studien auf dem Gebiet des tiefen tabellarischen Lernens entwickelt.

Moderne tabellarische Lernverfahren umfassen Baummodelle, tiefe neuronale Netze und die jüngst entwickelten Tabular Foundation Models (TFMs). Dieses Forschungsgebiet befasst sich vor allem mit den Herausforderungen, denen sich traditionelle Systeme des maschinellen Lernens bei der Verarbeitung komplexer strukturierter Daten gegenübersehen, darunter die Modellierung von Merkmalsinteraktionen, der Umgang mit kategorialen Variablen und die Generalisierungsfähigkeit. Tabellarisches Lernen findet derzeit breite Anwendung in Bereichen wie der finanziellen Risikobewertung, der Geschäftsprognose, der medizinischen Datenanalyse, der industriellen Inspektion und Empfehlungssystemen und stellt somit eine wichtige technologische Richtung in der Datenanalyse von Unternehmen dar.