Mitra: новая эра табличного машинного обучения

<div> <h2>Amazon запускает Mitra — прорыв в работе с табличными данными</h2> <p>Табличные данные определяют решения в здравоохранении, финансах, e‑commerce и науке, но привычные инструменты вроде Random Forest и XGBoost “узко” заточены под каждый датасет и плохо переносят обучение на новые задачи.</p> <h2>Как Mitra учится без реальных примеров?</h2> <p>Вдохновлённая успехами языковых моделей, Mitra обходит ограничения классических методов: одна модель, одна предварительная тренировка — и она уже готова к разным задачам благодаря in‑context learning. Вместо настоящих таблиц Amazon создали синтетические датасеты, смешав разнообразные приоритеты — от деревьев решений до причинно‑следственных моделей. Смелая идея? Да, но она оправдала себя.</p> <h2>Почему синтетика оказалась сильнее?</h2> <p>Команда заметила: качество синтетических приоритетов критично. Они должны демонстрировать приличную точность на реальных задачах, быть разнообразными, чтобы избежать переобучения, и предлагать уникальные закономерности. Такая смесь позволяет Mitra “видеть” то, что не встречается ни в одном отдельном датасете.</p> <h2>Результаты и будущее табличного ИИ</h2> <p>При проверке Mitra обошла лучшие табличные “бенчмарки” и модели уровня CatBoost, TabPFN и AutoGluon, показав более ровные границы решений на синтетических примерах и уверенную работу на классификации и регрессии. Открытый исходный код в AutoGluon 1.4 приглашает исследователей испытать новую основу для табличных задач.</p> </div>