Tabular Modeller Karşılaştırması: 19 Veri Kümesi Genelinde Performans

13 tabular öğrenme modelini, 435 ila 48.800 satır arasında değişen yaklaşık 272.000 örnek içeren 19 gerçek dünya veri kümesinde değerlendirdik. Her model aynı bölünmeler üzerinde 5 katlı çapraz doğrulamayla çalıştı. Sonuçlar ayrıca, bu sonuçları herkese açık TabArena ve BeyondArena liderlik tablolarıyla birleştiren AIM Tabular Index akışını besler.

Tabular öğrenme modelleri karşılaştırma sonuçları

Her veri kümesi, modeller arasında birincil metrik ile belirlenen eleme usulü birebir eşleşmelerden oluşur. Elo, tüm 1.398 eşleşmeyi model başına tek bir puanda toplar; 200 puanlık fark, daha yüksek puanlı modelin yaklaşık 4 eşleşmenin 3'ünü kazandığı anlamına gelir. Ayrıntılar metodoloji bölümündedir.

• Hiçbir model tek başına önde değil. Anlamlılık testi, ilk beş arasında anlamlı bir fark bulmuyor: LimiX-2 (1503), Kumo-Tabular (1438), TabPFN-3.5 (1363), TabFM (1325) ve Causilo (1192). İlk dördün Elo aralıkları örtüşüyor.
• LimiX-2, 19 veri kümesinin 11'inde birinci oldu ve 17'sinde ilk üçe girdi. Testin ondan ayıramadığı Kumo-Tabular ise kat başına ortalama 7,6 saniye sürüyor, yaklaşık 15x daha hızlı.
• Tek bir kazananı olan 18 veri kümesinin 15'inde, kazananın farkı kendi katlar arası standart sapmasından daha küçük. LimiX-2 diğer üçünde bundan daha büyük farkla önde: diabetes, electricity ve employee_salaries.

Elo ayrıca kısmi kapsamı adil şekilde ele alır: Mitra, yalnızca oynayabildiği eşleşmelerde puanlanır; bu da 10.000 satırlık eğitim sınırındaki 12 veri kümesi anlamına gelir¹.

• LimiX-2, diabetes veri kümesinde 0.879 ROC-AUC ile Kumo-Tabular'ın 0.844 değerine karşı önde; employee_salaries veri kümesinde ise 2.743 RMSE ile TabPFN-3.5'in 3.060 değerine karşı öndedir.
• En büyük kategorik sütunu 7.518 değere sahip amazon_employee_access veri kümesinde LimiX-2 0.898 puan alırken, en iyi klasik model olan Lojistik Regresyon için bu değer 0.863'tür. Fark, LimiX-2'nin kat standart sapmasının 3.5 katıdır.

Anlamlılık testi (Friedman testi, ardından Nemenyi kritik farkı), LimiX-2, Kumo-Tabular, TabPFN-3.5, TabFM ve Causilo modellerini, hiçbiri bir veri kümesi kazanamayan dört klasik modelin önüne koyuyor. LimiX-2 ve Kumo-Tabular ayrıca TabICLv2, Mitra-v2 ve TabPFN 3 modellerinin önündedir. TabPFN-3.5'in TabPFN 3'e karşı farkı, testteki en dar anlamlı fark olan 0.02 sıra puanıyla eşiği aşıyor. Test ayrıntıları metodoloji bölümündedir.

Tabular modellerin gecikme süreleri

• GPU fiyatlandırması, RunPod'un isteğe bağlı Community Cloud B200 tarifesi olan GPU-saati başına $5,98 üzerinden yapılır. Klasik modeller CPU üzerinde (62 çekirdek) çalıştı; her temel model tek bir B200 üzerinde çalıştı.
• TabFM kat başına ortalama 173,6 saniye (medyan 16.9) sürdü; LimiX-2 ise 111,9 saniye (medyan 28.4) sürdü. Bu hızda, TabFM'in tam karşılaştırma için kat süreleri yaklaşık $27, LimiX-2'ninki ise yaklaşık $18 tuttu; TabPFN-3.5 aynı işi $0,68 karşılığında yaptı ve LightGBM CPU üzerinde çalıştı.
• TabPFN-3.5 ve Kumo-Tabular kat başına ortalama 4.3 ve 7,6 saniye sürer; Kumo-Tabular'ın tam çalıştırması $1,19 tutar. Causilo (1,4 saniye) ve Mitra-v2 (1.5) en hızlı temel modellerdir.
• Kat süreleri TabFM'in soğuk başlangıcını hariç tutar: JAX arka ucu ilk tahminden önce GPU çekirdeklerini derlemek için yaklaşık 20 ila 25 dakika harcar. Kalıcı derleme önbelleği sonraki çalıştırmalarda bu süreyi ortadan kaldırır.
• LimiX-2, en büyük veri kümelerinde yaklaşık 124 GB GPU belleği kullandı. B200 donanımındaki TabFM'in JAX arka ucu, varsayılan CUDA 12 yığınında belgelenmiş bir cuBLAS hatasıyla karşılaşıyor; JAX bunu sessiz veri bozulması riski olarak işaretliyor. CUDA 13 yığını bu hatadan kaçınıyor.
• TabFM, her tahmin grubunda eğitim verilerini bağlam olarak yeniden işler; bu nedenle büyük verilerde tekrarlanan puanlama maliyeti katlanarak artırır. Eğitilmiş bir XGBoost modeli mikrosaniyeler içinde tahmin yapar.

Veri kümesi boyutuna ve özellik türüne göre sonuçlar

• Küçük veri kümeleri (1.000 veya daha az satır): temel modeller hem sayısal hem de hibrit (sayısal artı kategorik) verilerde ilk dokuz sırayı alır. LimiX-2 sayısal verilerde öne çıkar (%93,7 ortalama ROC-AUC). Lojistik Regresyon sayısal verilerde dayanır (%91,2), hibrit verilerde ise çöker (%77,5).
• Orta boy veri kümeleri (1.001 ile 10.000 satır arası): temel modeller her iki özellik türünde de öndedir. Hibrit fark geniştir: LimiX-2 %85,5 ortalama ROC-AUC ile en iyi klasik model olan CatBoost'un %83,4 değerine karşı öndedir.
• Büyük veri kümelerinde (10.000 üzeri satır): eski “ölçekte boosting yetişir” kalıbı ortadan kalktı. Büyük sayısal verilerde LimiX-2, Kumo-Tabular ve TabPFN-3.5 ortalama %99,6 değerine ulaşırken, XGBoost'un değeri %97,0'dir. Büyük hibrit verilerde LimiX-2 ve TabPFN-3,5 %89,2 ile LightGBM'in %87,6 değerine karşı öndedir.
• Mitra-v2, büyük sayısal verilerde ortalama %95,6 ile XGBoost'un altında kalır. Bu grup, Mitra-v2'nin sınırlı bir bağlamdan tahmin yaptığı electricity adlı tek bir ikili veri kümesini içerir.

Rejime göre ortalama sıra

Sıralama görünümü, ROC-AUC ortalamalarının gizlediği iki şeyi ekler.

• LimiX-2, altı rejimin beşinde en iyi ortalama sıraya sahiptir; orta boy sayısal verilerde TabFM ile eşittir. Küçük hibrit verilerde 9.5 olan ters sıralaması onu dördüncülüğe koyar; Kumo-Tabular (11.5), TabFM (10.0) ve TabPFN-3.5 (9.8) gerisindedir.
• Mitra hariç her temel model, altı rejimin tümünde her klasik modelden daha üst sırada yer alır.

Rejime göre model galibiyetleri

LimiX-2 altı rejimin tümünde galibiyet puanı alır ve toplam 19 puanın 11.1'ini kazanır. TabFM üç rejimde puan alır; Kumo-Tabular ve TabPFN-3.5 iki rejimde. Klasik modeller hiç puan alamaz. monks-problems-2 üzerindeki sekiz yönlü beraberlik bir puanı sekize böler; bu nedenle çoğu temel model küçük hibrit verilerde 0.1 gösterir.

Modele özgü gözlemler

LimiX-2 (StableAI)

LimiX-2 en iyi ortalama sıraya (2.16) ve 11 doğrudan galibiyete sahiptir. Ayrıca en büyük veri kümelerinde kat başına 111,9 saniye ve yaklaşık 124 GB GPU belleği ile ikinci en yüksek hesaplama maliyetine sahiptir².

Kumo-Tabular (NVIDIA)

Kumo-Tabular, kat başına 7,6 saniye ile ikinci ortalama sıraya (2.63) sahiptir ve anlamlılık testi onu LimiX-2'den ayıramaz³. 19 veri kümesinin 16'sında ilk üçe girmiştir.

TabPFN-3.5 (Prior Labs)

TabPFN-3.5, kat başına 4,3 saniye ile üçüncü ortalama sıraya (3.26) sahiptir; TabPFN 3'in süresi 4,2 saniyedir. TabPFN 3'e karşı sıra farkı, testteki en dar farkla anlamlıdır. SAP, Prior Labs'i Mayıs 2026'da satın aldığını duyurdu⁴; bu durum satıcı istikrarını değerlendiren kurumsal alıcılar için önemlidir.

TabFM (Google Research)

TabFM dördüncü ortalama sıraya (3.53) sahiptir ve üç veri kümesinde birinci olmuştur⁵. Kat süreleri TabPFN 3'in yaklaşık 40x kadardır; ilk çalıştırması 20 dakikadan uzun derler ve 10 sınıf ile en fazla 500 özellik için optimize edilmiştir.

Causilo (Nums AI)

Causilo, kat başına 1,4 saniye ile beşinci ortalama sıraya (4.89) sahiptir; karşılaştırmadaki en hızlı temel modeldir⁶. Üstündeki dört modelden hiçbiri ondan anlamlı şekilde önde değildir.

TabICLv2 (Inria SODA)

TabICLv2 altıncı ortalama sıraya (6.58) sahiptir ve kat başına 3,1 saniye sürer⁷. Orijinal TabICL'de bulunmayan regresyon desteği ekler ve 19 veri kümesinin tümünü tamamlamıştır.

TabPFN 3 (Prior Labs)

TabPFN 3 sekizinci ortalama sıraya (7.11) sahiptir ve 19 veri kümesinin tümünü 6.6 GPU-dakikada tamamlamıştır⁸.

Mitra-v2 (Amazon)

Mitra-v2 yedinci ortalama sıraya (7.00) sahiptir ve kat başına 1,5 saniye sürer⁹. Mitra'nın 10.000 satır sınırını kaldırır ve 19 veri kümesinin tümünü tamamlamıştır; ancak beş büyük ikili veri kümesinde en fazla 16.384 eğitim satırından oluşan bir örneklemden tahmin yapar.

Mitra (Amazon, AutoGluon aracılığıyla)

Tasarım gereği küçük veri uzmanıdır: 10.000 satırlık kesin eğitim sınırı, 19 veri kümesinin 7'sinde N/A olmasına neden olur. Kendi 12 veri kümesinde 13 model arasında ortalama 9.12 sıralamaya sahiptir. Mitra-v2 sınırı kaldırır ve daha yüksek sıralanır.

Gradyan artırma: LightGBM, CatBoost, XGBoost

Gradyan artırmalı ağaçlar artık hiçbir rejimde doğrulukta önde değil. LightGBM en iyi klasik modeldi (ortalama sıra 9.74). Orta boy hibrit verilerde en iyi klasik model CatBoost oldu. XGBoost, ortalama sıralamada sonuncu oldu (10.79) ve dikkate değer bir zayıflık gösterdi: yüksek kardinaliteli employee_salaries regresyonunda yerel kategorik bölünmelerle, aynı girdilerde LightGBM 4.367 RMSE puanı alırken XGBoost 10.894 RMSE puanı aldı. Bu tek veri kümesinden elde edilen bir sonuçtur, ancak XGBoost'un kategorik moduna güvenmeden önce kontrol etmeye değer.

Artırılmış ağaçların 2026'daki gerekçesi operasyoneldir: saniye altı eğitim, mikrosaniye düzeyinde inference, GPU gerektirmeme, satır sınırı olmama ve olgun araç desteği.

Lojistik Regresyon

Logistic regression ortalama 10.53 sıraya sahiptir, ancak amazon_employee_access üzerinde her gradyan artırmalı ağacı, TabPFN 3 ve TabICLv2'yi yener. Seyrek one-hot artı doğrusal model, yüksek kardinaliteli kategorik verilerde güçlü ve neredeyse ücretsiz bir temel olmaya devam eder. Her karşılaştırmada bulundurun.

Önemli çıkarımlar

Beş temel model (LimiX-2, Kumo-Tabular, TabPFN-3.5, TabFM ve Causilo), 19 veri kümesi genelinde istatistiksel anlamlılıkla dört klasik modelin tümünü yendi ve temel modeller her boyut ve özellik rejiminde liderdir. Bu durum yalnızca her model, tasarlandığı kategorik girdiyi aldığında geçerlidir; bağlam içi modellerde one-hot kodlamayı zorlamak, yüksek kardinaliteli verilerde onları ciddi şekilde zayıflatır.

Anlamlılık testi LimiX-2, Kumo-Tabular, TabPFN-3.5, TabFM ve Causilo modellerini birbirinden ayıramaz. Kat süreleri 1,4 saniyeden (Causilo) 173,6 saniyeye (TabFM) kadar değişir.

Bu beş modelden yalnızca Kumo-Tabular'ın lisansı, modelin ve çıktılarının ayrı bir sözleşme olmaksızın ticari kullanımına izin verir.

Zero-shot, sıfır eğitim anlamına gelir; sıfır hesaplama değil. TabFM veya LimiX-2 seçmeden önce iş yükünüzün tahmin hacmini değerlendirin.

Tabular temel modeller nedir?

Geleneksel tabular modeller her veri kümesinde sıfırdan eğitim yapar. Tabular temel modeller (TFM'ler), çoğunlukla sentetik olan büyük tabular problem koleksiyonları üzerinde bir kez ön eğitimden geçer ve yeni veri kümelerine inference zamanında uyum sağlar: eğitim satırları bağlam olarak girer ve tahminler bir ileri geçişten çıkar. Gradyan eğitimi yoktur, hiperparametre ayarı yoktur.

TabPFN, tabular öğrenmeyi amortize edilmiş Bayesçi inference olarak yeniden çerçeveler: milyonlarca sentetik görev üzerinde önceden eğitilmiş bir transformer, tahmin üretmek için gözlenen veri kümesine koşullanır⁸. TabPFN 3, yerel kategorik işleme ile 1.000.000 satıra ve 2.000 özelliğe kadar inşa edilmiştir.

TabICL, bağlam içi öğrenmeyi tablolara genişletir: satırlar yapılandırılmış token'lara dönüşür ve model karar kurallarını bağlam örneklerinden çıkarır¹⁰. TabICLv2, Şubat 2026'da regresyon desteği ekledi.

TabFM iki yaklaşımı birleştirir: ham hücreler üzerinde dönüşümlü satır ve sütun dikkati, her satırın yoğun bir vektöre sıkıştırılması ve ardından sıkıştırılmış satırlar üzerinde bağlam içi transformer. Yapısal nedensel modellerden üretilen yüz milyonlarca sentetik veri kümesi üzerinde eğitilmiştir.

Mitra, AutoGluon içinde TabPFN çizgisini izler ve küçük veriler için ayarlanmıştır.

LimiX-2, Kumo-Tabular, TabPFN-3.5, Causilo ve Mitra-v2 bu karşılaştırmada aynı şekilde çalışır: her biri veri kümesinde gradyan eğitimi olmaksızın eğitim satırlarını bağlam olarak kullanarak tahmin yapar.

Kıyaslamalarımızı ve veri odaklı içgörülerimizi kaçırmayın. Düğme Google'ı açar; AIMultiple'ı seçmeniz, Google arama sonuçlarında AIMultiple'ı daha sık görmek istediğinizi onaylar.

Tercih edilen kaynak olarak ekle

Tabular Modeller Karşılaştırma Metodolojisi

Modeller (13): LogisticRegression (üç regresyon veri kümesinde Ridge regresyonu), XGBoost, LightGBM, CatBoost, TabPFN 3, TabICLv2, TabFM, Mitra, LimiX-2, Kumo-Tabular, TabPFN-3.5, Causilo, Mitra-v2.

Veri kümeleri (19, OpenML): 15 ikili sınıflandırma, 1 çok sınıflı, 3 regresyon; 435 ile 48.800 satır arası; yalnızca sayısal veya hibrit (sayısal artı kategorik) özellikler. Bilinen sızıntı sütunları çıkarıldı.

Değerlendirme: 5 katlı tabakalı çapraz doğrulama (regresyon için düz CV), seed 42, her model için aynı bölünmeler. Birincil metrikler: ROC-AUC (ikili), macro-F1 (çok sınıflı), RMSE (regresyon). Varsayılan hiperparametreler, ayar yok. Bu, ayar gerektirmeyen modelleri kayırır: ayarlanmış bir XGBoost daha yüksek puan alırdı ve ayar bütçeleri de modellemediğimiz bir maliyettir.

Yapılandırma: klasik modeller, TabPFN 3, TabICLv2, TabFM ve Mitra için karşılaştırmanın sabit ayarları; LimiX-2, Kumo-Tabular, TabPFN-3.5, Causilo ve Mitra-v2 için tabular modellerin herkese açık liderlik tablosu olan TabArena'daki varsayılan yapılandırma. Hiçbir model fine-tune edilmez. TabArena'nın Mitra-v2 için varsayılanı her eğitim katında 50 adım fine-tune yapar; burada Mitra-v2 bu olmadan çalışır.

Model tasarımına göre kategorik işleme: CatBoost, XGBoost, LightGBM, Causilo ve Mitra-v2 için yerel kategori dtype; TabPFN 3, TabPFN-3.5 ve TabFM için kategorik indeksli ham özellikler; LimiX-2 için ham metin sütunları; Kumo-Tabular için sütun türleri model tarafından çıkarılır, TabICLv2 için ordinal kodlama; yalnızca Lojistik Regresyon için one-hot plus StandardScaler. Yerel kategorik destekleyen hiçbir model one-hot'a zorlanmaz. Trade-off: hücreler tasarım gereği girdi temsilinde farklılık gösterir. Her modelde tek temsili zorlamak daha adil görünebilir, ancak farklı girdi için geliştirilmiş modelleri cezalandırır.

Ortam: 2x NVIDIA B200 (183 GB) içeren bir RunPod pod'u, sürücü 580, Ubuntu 24.04. Klasik modeller CPU üzerinde (62 çekirdek), her temel model bir B200 üzerinde çalıştı. TabPFN 3, TabICLv2 ve Mitra için PyTorch 2.8.0 cu128; TabFM için CUDA 13 wheel'leri ile JAX 0.10.1. LimiX-2, Kumo-Tabular, TabPFN-3.5, Causilo ve Mitra-v2, tek B200'lü RunPod podlarında (sürücü 595, CUDA 13.2) çalıştı; her seferinde GPU başına bir model, her biri kendi Python ortamında.

Gecikme: kat başına fit artı tahmin duvar süresi, harness içinde kaydedilir. TabFM'in tek seferlik derlemesi kat sürelerinden hariç tutulur ve ayrıca raporlanır.

N/A politikası: bir hücre yalnızca belgelenmiş bir model sınırı nedeniyle N/A olur ve neden loglarda kayıt altına alınır. Nihai verilerdeki tek N/A'lar Mitra'nın 10.000 satır sınırının üzerindeki 7 veri kümesidir.

Mitra-v2 bağlam sınırı: 16.384'ten fazla eğitim satırı olan ikili veri kümelerinde (adult, amazon_employee_access, bank-marketing-full, default_credit, electricity), Mitra-v2, her 16.384 test satırı grubu için yeniden çekilen sınıf dengeli 16.384 eğitim satırı örnekleminden tahmin yapar. Bu, TabArena'nın varsayılanıdır. Çok sınıflı ve regresyon için sınır 32.768 satırdır; buradaki hiçbir veri kümesi bu sınırı aşmaz.

Sıra metrikleri: her veri kümesi içinde modeller birincil metriğe göre 1'den (en iyi) k'ye kadar sıralanır; bir modelin ortalama sırası, tamamladığı veri kümeleri üzerindeki sıralarının ortalamasıdır. Rejim grafiği ters sıralamayı gösterir, k + 1 eksi sıra; böylece daha yüksek daha iyidir ve 13, 13 model arasında birinciliği ifade eder. Galibiyet puanları, her veri kümesinin tek puanını en iyi skora verir; kesin beraberlikler puanı eşit böler, böylece sekiz yönlü bir beraberlik her birine 0.125 kazandırır.

İstatistikler: 12 tam kapsamlı model üzerinde Friedman testi artı Nemenyi kritik farkı. Mitra, 19 veri kümesinin 12'sini tamamladığı için hariç tutulur; dahil edilmesi testi bu 12 veri kümesine indirir. Model bölümlerinde aktarılan ortalama sıralar bu 12 modelli testten gelir; Mitra'nınki, kendi 12 veri kümesi üzerinde tüm 13 model arasında hesaplanır.

Friedman testi ki-kare 165.8, p 10^-29 altında değer verir. Kritik fark CD = q × sqrt(k(k+1) / (6N)) olup, k = 12 model ve N = 19 veri kümesi için alfa 0.05 düzeyinde q = 3.268 ile CD = 3.82 bulunur: iki model yalnızca ortalama sıraları 3.82'den fazla farklıysa anlamlı şekilde farklıdır. İlk dört model 2.16 (LimiX-2) ile 3.53 (TabFM) arasında değiştiği için aralarındaki hiçbir fark eşiği aşmaz. LimiX-2'nin TabICLv2'ye farkı 4.42; TabPFN-3.5'in TabPFN 3'e farkı 3.84'tür. Ortalama sıra güven aralıkları, veri kümeleri üzerinden 10.000 örneklemli bootstrap'tan gelir.

Elo puanları: her veri kümesi, onu tamamlayan tüm modeller arasında bir round-robin'dir; toplam 1.398 ikili eşleşme. Daha iyi birincil metriğe sahip model bir eşleşmeyi kazanır (puan 1); kesin beraberlikler her birine 0.5 puan verir.

Formüller dört büyüklük kullanır. R(A), A modelinin grafikte bildirilen güncel puanıdır; her model R = 1000 ile başlar. S(A), A modelinin bir eşleşmeden aldığı gerçek puandır: galibiyet için 1, beraberlik için 0.5, mağlubiyet için 0. E(A), eşleşme sayılmadan önce mevcut puanların A için öngördüğü kazanma olasılığı olan beklenen puandır. K = 32, bir eşleşmenin bir puanı ne kadar değiştirebileceğini sınırlayan güncelleme adımıdır.

A ve B modelleri arasındaki bir eşleşmeden önce beklenen puan E(A) = 1 / (1 + 10^((R(B) − R(A)) / 400)) biçimindedir: puanlar eşitken 0.5 verir ve A'nın puanı öne geçtikçe 1'e yaklaşır. Eşleşmeden sonra puan R(A) = R(A) + K × (S(A) − E(A)) ile güncellenir; böylece A beklenenden daha iyi yaptığında puan kazanır, daha kötü yaptığında puan kaybeder; daha yüksek puanlı bir modele karşı sürpriz galibiyet, daha zayıf bir modele karşı rutin galibiyetten daha fazla kazandırır. Güncelleme sıfır toplamlıdır; bu nedenle havuz ortalaması 1000'de kalır ve Mitra-v2'nin 977 puanı gibi 1000'e yakın bir puan, bu alandaki ortalama bir model olarak okunur. 400 böleni ölçeği belirler: 200 puanlık farkta beklenen puan 1 / (1 + 10^(−0.5)) = 0.76 olur; “yaklaşık 4 eşleşmenin 3'ünü kazanır” ifadesi buradan gelir.

Tek bir Elo geçişi eşleşme sırasına bağlıdır ve 19 veri kümesinin kendisi de bir örneklemdir. Bu nedenle 1.000 bootstrap turu çalıştırıyoruz; her tur 19 veri kümesini tekrar örnekler, eşleşme listesini yeniden oluşturur, eşleşme sırasını karıştırır ve Elo'yu sıfırdan çalıştırır. Yayınlanan puan turların ortalamasıdır ve %95 aralıkları, hem veri kümesi örneklemesini hem de sıralama gürültüsünü kapsayan 2.5th ve 97.5th yüzdelikleridir. Elo özet görselleştirmedir; Friedman ve Nemenyi testi anlamlılık hakemi olmaya devam eder.

Tekrarlanabilirlik: sabit seed 42, aynı bölünmeler, kat başına sonuçlar ve karşılaştırma deposundaki tüm birleştirme, istatistik ve Elo betikleri.

Bu benchmarkı kaynak gösterin

Yayınlayacağınız yere uygun formatı seçin. Bağlantılı sürümü CMS'inize yapıştırmak, geri bağlantıyı korur.

@misc{kalelioglu2026,
  author = {Kalelioğlu, Berk and Dilmegani, Cem},
  title  = {{Tabular Modeller Karşılaştırması: 19 Veri Kümesi Genelinde Performans}},
  year   = {2026},
  month  = oct,
  howpublished    = {\url{https://aimultiple.com/tabular-models}},
  note   = {AIMultiple. Erişim tarihi: 12 Ekim 2026}
}

Değişiklik günlüğü

3 güncelleme

Tümü3Genel2Metodoloji1

2026

1. 3 Tem

   Karşılaştırmaya TabFM eklendi, her veri seti rejiminde lider.

2. 19 May

   Kıyaslama sonuçlarında, sıralamalarda ve model kısıtlarında TabPFN, TabPFN 3 ile değiştirildi.

3. 19 May

   Kıyaslanan model listesinde TabPFN, TabPFN 3 ile değiştirildi.

Referans Linkleri

1.

AutoGluon Tabular - Foundational Models - AutoGluon 1.6.1 documentation

2.

[2609.17488] LimiX-2: A Contextual Mechanism Network Towards General Structured-Data Intelligence

3.

GitHub - NVIDIA/structured-data-models: Foundation Models for Structured Data · GitHub

4.

SAP to Acquire Prior Labs | SAP News Center

SAP

5.

Introducing TabFM: A zero-shot foundation model for tabular data

6.

[2609.22866] Causilo Technical Report

7.

[2602.11139] TabICLv2: A better, faster, scalable, and open tabular foundation model

8.

[2207.01848] TabPFN: A Transformer That Solves Small Tabular Classification Problems in a Second

9.

[2609.04540] Mitra-v2 Technical Report

10.

[2502.05564] TabICL: A Tabular Foundation Model for In-Context Learning on Large Data

Berk Kalelioğlu

Yapay Zeka Araştırmacısı

Takip Et

Berk, AIMultiple'ın benchmark ekibinde Yapay Zeka Araştırmacısıdır; etmen tabanlı yapay zeka, makine öğrenimi ve büyük ve küçük dil modelleri (LLM'ler ve SLM'ler) üzerine odaklanmaktadır.

Tam Profili Görüntüle

Araştıran

Cem Dilmegani

Baş Analist

Takip Et

Cem, 2017'den beri AIMultiple bünyesinde baş analisttir. Cem'in AIMultiple'daki çalışmaları; Business Insider, Forbes, Morning Brew ve Washington Post gibi önde gelen küresel yayınlar, Deloitte ve HPE gibi küresel firmalar, Dünya Ekonomik Forumu gibi STK'lar ve Avrupa Komisyonu gibi uluslarüstü kuruluşlar tarafından alıntılanmıştır. [1], [2], [3], [4], [5] Kariyeri boyunca Cem; teknoloji danışmanı, teknoloji alıcısı ve teknoloji girişimcisi olarak görev yaptı. On yılı aşkın süre boyunca McKinsey & Company ve Altman Solon'da işletmelere teknoloji kararlarında danışmanlık yaptı. Ayrıca dijitalleşme üzerine bir McKinsey raporu yayımladı. CEO'ya rapor verirken bir telekom şirketinin teknoloji stratejisini ve satın alma süreçlerini yönetti. Ayrıca 2 yıl içinde 0'dan 7 haneli yıllık yinelenen gelire ve 9 haneli değerlemeye ulaşan derin teknoloji şirketi Hypatos'un ticari büyümesini yönetti. Cem'in Hypatos'taki çalışmaları TechCrunch ve Business Insider gibi önde gelen teknoloji yayınları tarafından ele alındı. Cem, uluslararası teknoloji konferanslarında düzenli olarak konuşma yapmaktadır. Boğaziçi Üniversitesi'nden bilgisayar mühendisi olarak mezun oldu ve Columbia Business School'dan MBA derecesine sahiptir.

Tam Profili Görüntüle

Yorum yapan ilk kişi olun

E-posta adresiniz yayınlanmayacak. Tüm alanlar gereklidir. Yorumlar orijinal dilinde bırakılır.

Ad

E-posta Adresi

Yorum

0/450

Yorumu Gönder