/ Модель
Каталог

Характеристики

Опубликована
30 мар 2026

Ссылки

Hugging FacearXiv 2603.29946

ShapPFN

Kunumi
Классификация таблицTable → label

ShapPFN классифицирует табличные данные и одновременно быстро оценивает вклад признаков в предсказание.

0скачиваний за 30 дней6лайковвеса обновлены12 апр 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

ShapPFN — модель Kunumi для табличных данных, которая в одном проходе выдаёт предсказания и объяснения на основе значений Шепли. Она использует трансформер в стиле PFN с чередующимся вниманием по строкам и признакам, а отдельные декодирующие головы оценивают базовое значение и вклад каждого признака. Модель предназначена для классификации табличных данных и быстрого объяснения предсказаний; README сообщает о конкурентных результатах на стандартных бенчмарках, качестве объяснений R² около 0,96 и косинусном сходстве около 0,99, а также о скорости более чем в тысячу раз выше KernelSHAP.

Для использования доступны официальный репозиторий, обучение и скрипты оценки. Лицензия и условия распространения весов в предоставленных данных не описаны.

Сценарии применения

  • классификация строк табличного набора данных
  • объяснение предсказания модели по вкладам признаков
  • быстрая замена KernelSHAP для анализа табличных предсказаний

Ограничения

Показатели качества приведены для стандартных бенчмарков; README не уточняет применимость к другим данным. Лицензия и условия использования весов не указаны в предоставленных данных.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

ShapPFN

ShapPFN is a foundation model for tabular data that integrates Shapley value regression directly into its architecture, producing both predictions and explanations in a single forward pass. On standard benchmarks, ShapPFN achieves competitive performance while producing high-fidelity explanations ($R^2 \approx 0.96$, cosine $\approx 0.99$) over 1000x faster than KernelSHAP.

Architecture

ShapPFN combines several key components:

  • PFN-style tabular transformers: Uses alternating attention over rows and features (similar to TabPFN / nanoTabPFN).
  • Additive decomposition: Separate decoder heads for base and per-feature contributions.
  • Shapley value regression: Training explanations as part of the model output (ViaSHAP-style) rather than as a post-hoc procedure.

Setup

To use the code and the model from the official repository, you can install it via:

pip install -e .

Quickstart

The official repository provides scripts for various tasks:

  • Data Generation: bash scripts/generate_data.sh
  • Training: bash scripts/train_shappfn.sh
  • Evaluation: bash scripts/eval_openml.sh (OpenML suite) and bash scripts/eval_shap.sh (KernelExplainer comparison)

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

Табличные модели пока не поддерживаются.

Ревизия весов
9d8a01e

0 моделей

    Создать бенчмарк