Grables: Tabellarisches Lernen ohne unabhängige Zeilen
In einer neuen Veröffentlichung auf arXiv wird ein Ansatz vorgestellt, der die Grenzen herkömmlicher tabellarischer Lernmodelle sprengt. Traditionelle Methoden bewerten jede Zeile eines Datensatzes unabhängig voneinander – ein Ansatz, der bei i.i.d. Benchmarks gut funktioniert, aber bei transaktionalen, zeitlichen oder relationalen Tabellen versagt, wo die Labels von anderen Zeilen abhängen.
