Скачать с ютуб [Open DMQA seminar] TabNet в хорошем качестве

[Open DMQA seminar] TabNet

대부분의 딥러닝 연구는 이미지, 음성, 자연어 처리 등 학습 난이도가 높은 비정형 데이터를 사용함으로써 성능이 부각되고 있습니다. 반면 Tabular 데이터에서의 연구나 응용은 상대적으로 저조하며 XGBoost, LightGBM, Catboost 과 같은 의사결정나무 기반의 앙상블 모델을 선호하는 경우가 많습니다. 이는 학습시간 대비 준수한 성능을 보장하고, 해석이 용이하기 때문입니다. 그러나 최근 Tabular 데이터에서도 예측 성능과 해석력을 개선한 딥러닝 모델의 응용이 늘고 있습니다. 특히 TabNet은 캐글의 "Mechanism of Action (MoA)" 대회에서 우승과 더불어 구글 클라우드 플랫폼에 내장될 만큼 Tabular 데이터에서도 딥러닝 모델의 활용성이 입증되고 있습니다. 이에 차주 세미나에서는 TabNet 알고리즘을 설명하고 Tabular 데이터의 딥러닝 모델 연구 동향을 살펴보겠습니다. 참고 문헌: [1] Sercan O. Arik, Tomas Pfister. "TabNet: Attentive Interpretable Tabular Learning" arXiv:1908.07442v5 (2020). [2] Ravid Shwartz-Ziv, Amitai Armon. "Tabular Data: Deep Learning is Not All You Need" arXiv:2106.03253v1 (2021).