LAMDA-Tabular/Tabular-Survey

📊 Bản khảo sát toàn diện về Representation Learning cho dữ liệu bảng

Kho tài nguyên đồng bộ với survey TPAMI 2026: tổ chức hệ thống các phương pháp học biểu diễn tabular thành specialized, transferable và general models.

Đây là kho mã nguồn đi kèm với bài survey "Representation Learning for Tabular Data: A Comprehensive Survey" của các tác giả từ LAMDA, NJU — đã được chấp nhận xuất bản tại TPAMI 2026. Dự án tổng hợp hệ thống kiến thức về cách các mạng nơron sâu (DNN) học biểu diễn từ dữ liệu có cấu trúc dòng/cột, từ cơ bản đến nâng cao.

✨ Điểm nổi bật

• Phân loại ba nhóm chính: specialized models (cùng phân phối huấn luyện/đánh giá), transferable models (pre-trained + fine-tuning), general models / foundation models (áp dụng trực tiếp không cần fine-tuning).
• Phân loại phân cấp specialized models: dựa trên đặc điểm dữ liệu bảng — features, samples, objectives — đưa ra chiến lược học biểu diễn ở mức độ feature-level và sample-level.
• Transferable models: hỗ trợ pre-training trên nhiều nguồn dữ liệu (đồng nhất, khác nhau, hoặc liên modal như vision-language).
• General models: mở rộng khái niệm foundation models, thích ứng đa nền tảng dữ liệu khác nhau mà không cần fine-tuning.
• Phương pháp ensemble: kết hợp ưu điểm nhiều mô hình tabular.
• Các phần mở rộng đại diện: tabular trong môi trường mở, học đa modal với dữ liệu bảng, và các tác vụ hiểu dữ liệu bảng.
• Bảng benchmarks cập nhật: bao gồm các bộ chuẩn như TaR-ViR, TABLET, SPARTA, TabStruct, TopBench, TEmBed, TabArena...
• Tài nguyên tham khảo: liên kết paper, code, publication cho từng phương pháp và benchmark.

💡 Vì sao đáng chú ý

Khác với các tổng hợp chủ đề khác, kho tài nguyên này không chỉ liệt kê các paper mà còn xây dựng bộ phân loại nhất quán — từ specialized đến foundation models — giúp người nghiên cứu dễ dàng lựa chọn hướng tiếp cận phù hợp với task cụ thể. Đặc biệt, hình ảnh taxonomy trực quan và bảng benchmarks chi tiết là công cụ hữu ích cho cả người mới bắt đầu lẫn chuyên gia.

#TabularLearning #DeepLearning #RepresentationLearning #Survey #TiniX