KI News: Kurz und klar.

Shapley-Werte sind ein zentraler Bestandteil erklärbarer KI, doch ihre Berechnung ist besonders bei abhängigen Merkmalen rechenintensiv. Traditionell erfordert die Abschätzung vieler bedingter Erwartungen Monte-Carlo-Integration oder Regressionsmodelle, wobei letztere für jedes bedingte Erwartungsmaß neu trainiert werden müssen – ein Prozess, der viel Zeit kostet.

In der Welt der tabellarischen Daten konzentrieren sich die meisten Benchmarks bislang auf die Fähigkeit von Modellen, Werte innerhalb eines Datenraums zu interpolieren. Doch viele wertvolle Anwendungsbereiche – etwa Finanzmodelle oder physikalische Simulationen – beruhen auf deterministischen Berechnungen, bei denen Genauigkeit und Extrapolation entscheidend sind.

Eine neue Untersuchung von TabPFN, einem führenden tabellarischen Foundational Model, liefert erstmals tiefe Einblicke in die Art und Weise, wie das Modell Daten verarbeitet und Entscheidungen trifft. Die Studie richtet sich an Fachleute, die die Black-Box-Natur solcher Modelle hinterfragen und deren Vertrauenswürdigkeit erhöhen wollen.

Die Genauigkeit der Kardinalitätsabschätzung ist ein entscheidender Engpass bei der kostenbasierten Optimierung von Datenbankabfragen. Klassische Schätzer vernachlässigen oft Korrelationen, während lernbasierte Modelle häufig auf aufwändige, work‑load‑spezifische Trainingspipelines und invasive Optimizer‑Integration angewiesen sind. TiCard löst dieses Problem mit einem leichtgewichtigen, korrigierenden Ansatz, der die native Schätzung eines Datenbanksystems lediglich ergänzt.

Eine neue Studie aus dem arXiv-Repository (ArXiv:2511.16375v1) untersucht, ob moderne Foundation‑Modelle wie Llama‑3.3‑70B‑Instruct bei der Vorhersage von Unternehmensinsolvenzen wirklich die Nase vorn haben. Die Forscher haben die Modelle gegen etablierte Machine‑Learning‑Baselines wie XGBoost und CatBoost auf einem riesigen, stark unausgeglichenen Datensatz von über einer Million Firmenakten aus der Visegrád‑Gruppe getestet.

Ein brandneues arXiv‑Veröffentlichung (ArXiv:2511.15432v1) beleuchtet, wie einzelne Schichten in tabellarischen In‑Context‑Learning‑Modellen (ICL) zur Vorhersage beitragen. Trotz der architektonischen Ähnlichkeit zu großen Sprachmodellen (LLMs) blieb bislang wenig über die Rolle einzelner Layer bekannt.

Tabellarische Daten sind nach wie vor das Rückgrat zahlreicher Produktionsmodelle in Bereichen wie Finanzen, Gesundheitswesen, Energie und Industrie. Unternehmen arbeiten täglich mit umfangreichen Tabellen, die Zeilen und Spalten enthalten, anstatt mit Bildern oder langen Texten.

Die neueste Version von TabPFN, genannt v2, übertrifft herkömmliche baumbasierte Modelle bei mehreren tabellarischen Benchmarks – ein bemerkenswertes Ergebnis, da Baumalgorithmen üblicherweise die beste Wahl für solche Daten sind.

Forscher haben herausgefunden, dass große Sprachmodelle (LLMs) zwar erstaunlich gut bei der Vorhersage von tabellarischen Daten sind, aber gleichzeitig extrem empfindlich auf scheinbar unbedeutende Änderungen in der Datenrepräsentation reagieren.

Die neueste Veröffentlichung auf arXiv (2508.16355v1) stellt NIAQUE vor – ein neuronales Modell, das probabilistische Regression mit Transfer Learning kombiniert. Durch die Nutzung von Permutationsinvarianz kann NIAQUE auf einer Vielzahl von Datensätzen vortrainiert werden, bevor es auf ein spezifisches Ziel-Dataset feinjustiert wird. Dieser Ansatz führt zu einer deutlichen Leistungssteigerung bei einzelnen Regressionsaufgaben.