表格数据支撑着医疗、金融、电子商务和科学等领域的核心决策。传统机器学习方法（如随机森林和XGBoost）通常需要为每个数据集单独训练模型，跨分布迁移能力有限。受大语言模型启发，表格基础模型（TFMs）通过上下文学习（ICL）技术，仅需少量示例即可泛化到新任务。
作为某机构自动机器学习框架AutoGluon的最新组件，Mitra采用基于ICL的范式进行训练。该模型完全在合成数据上预训练，这些数据由精心设计的先验分布混合生成，包括：
- 结构因果模型（描述变量间因果关系的概率图）
-
- 梯度提升树/随机森林等树模型 这种混合策略满足三个关键原则：
- 在真实任务中表现良好
-
- 保持多样性防止过拟合
-
- 提供独特的数据模式 模型架构采用二维注意力机制（跨行和跨特征），支持动态表尺寸处理。在TabRepo、TabZilla等主流基准测试中，Mitra在分类和回归任务上均超越TabPFNv2等对比模型，决策边界更规则且连续。实验显示其Elo评分显著优于传统方法（如CatBoost）和AutoGluon 1.3预设方案。
该框架已开源集成于AutoGluon 1.4，支持研究者探索更丰富的先验空间和自适应混合策略。可视化分析表明，相比TabPFNv2，Mitra在二维正弦棋盘数据上能生成更平滑的决策边界。 更多精彩内容 请关注我的个人公众号 公众号（办公AI智能小助手）
)
