# 表格分类

TabOmics是一个仅7.3M参数、只用合成表格预训练的开放表格基础模型，推理时把预处理后保留的全部特征一次性联合处理，不需要按特征抽样或压缩。在三个高维小样本基准共46个分类任务上，八成员集成的TabOmics v2.5取得0.943的平均AUROC，高于八成员TabPFN-3.5的0.942；单成员版本为0.941，与后者无显著配对差异，但单次前向的耗时约为其五倍。

TabOmics是一个仅7.3M参数、只用合成表格预训练的开放表格基础模型，推理时把预处理后保留的全部特征一次性联合处理，不需要按特征抽样或压缩。在三个高维小样本基准共46个分类任务上，八成员集成的TabOmics v2.5取得0.943的平均AUROC，高于八成员TabPFN-3.5的0.942；单成员版本为0.941，与后者无显著配对差异，但单次前向的耗时约为其五倍。

表格基础模型做上下文学习时，每次预测都要把全部训练样本送进前向计算，砍掉上下文虽省算力却明显掉点。激活对齐改为用完整上下文教一个受限学生模型：在合成无标签数据上拟合一层线性变换，把学生某一层的中间激活拉向教师。在TabArena的38个分类数据集上，用TabPFN-3与TabFM评测，对齐后的学生在全部上下文预算上多数优于未对齐基线，低数据区间可补回教师约一半的领先幅度。

表格基础模型做上下文学习时，每次预测都要把全部训练样本送进前向计算，砍掉上下文虽省算力却明显掉点。激活对齐改为用完整上下文教一个受限学生模型：在合成无标签数据上拟合一层线性变换，把学生某一层的中间激活拉向教师。在TabArena的38个分类数据集上，用TabPFN-3与TabFM评测，对齐后的学生在全部上下文预算上多数优于未对齐基线，低数据区间可补回教师约一半的领先幅度。

作者提出 PrivTab，一种将差分隐私机制嵌入架构的表格基础模型：它在模拟数据上预训练，通过上下文学习把敏感行压缩为紧凑的可证明私有摘要，在 33 个 TabArena 分类数据集、六个隐私区间上于中强隐私下优于 DP-LR 与 DP-MLP，保持良好校准，并将拟合时间从数分钟降至约 10 毫秒的单次前向传播。

作者提出 PrivTab，一种将差分隐私机制嵌入架构的表格基础模型：它在模拟数据上预训练，通过上下文学习把敏感行压缩为紧凑的可证明私有摘要，在 33 个 TabArena 分类数据集、六个隐私区间上于中强隐私下优于 DP-LR 与 DP-MLP，保持良好校准，并将拟合时间从数分钟降至约 10 毫秒的单次前向传播。