รายละเอียดการเปรียบเทียบ

งานวิจัยเปรียบเทียบประสิทธิภาพของ TabPFN และ TabICL — โมเดลที่ทำงานโดยไม่ต้องผ่านกระบวนการฝึกฝนเฉพาะงาน — กับ XGBoost ที่ปรับแต่งอย่างถี่ถ้วน โดยผลในภาพประกอบงานวิจัย (embeddings.png) แสดงให้เห็นว่าโมเดลที่ไม่ต้องฝึกฝนเอาชนะได้ครบทั้ง 14 ชุดข้อมูล

งานดังกล่าวเผยแพร่ในรูปแบบ HTML บน arXiv และมีการทบทวนโดยอ้างอิงแหล่งข้อมูลหลัก 3 แหล่ง อย่างไรก็ตาม ขอบเขตของชุดข้อมูลทั้ง 14 ชุดและเกณฑ์การประเมินยังต้องอาศัยรายละเอียดเพิ่มเติมจากตัวงานวิจัยโดยตรง

ความหมายต่อวงการ AI

หากผลดังกล่าวยืนยันได้ในวงกว้าง อาจสะท้อนแนวโน้มว่าโมเดลเชิงตารางแบบ pre-training ทั่วไปกำลังแซงขึ้นมาแทนที่เครื่องมือแบบ gradient boosting ที่ใช้กันมายาวนานในงานข้อมูลตาราง ซึ่งเป็นรูปแบบข้อมูลหลักในภาคธุรกิจ

โดยสรุป จากหลักฐานที่มี ข้อกล่าวอ้างว่าโมเดลที่ไม่ต้องฝึกฝนชนะ XGBoost ที่ปรับแต่งแล้ว 14 จาก 14 ชุดนั้น เป็นจริงบางส่วน