TabPFN - テーブルデータのためのファウンデーションモデル

• テーブル（構造化）データ専用のファウンデーションモデルで、scikit-learnスタイルのfit/predictインターフェースにより分類・回帰タスクをすぐに実行可能
• 基本モデルTabPFN-2.6は純粋な合成データで学習されており、初回利用時にチェックポイントを自動ダウンロードするため、別途学習パイプラインを構成する必要がない
• データ前処理も不要: スケーリング、ワンホットエンコーディングなどを適用せず、生データをそのまま入力すべきであり、欠損値も自動処理可能
• GPU推奨（約8GB VRAM以上）で、CPUでは約1,000サンプル以下のみ実行可能。GPUのない環境向けにTabPFN Client（クラウド推論）も提供
• バッチ予測が必須: 個別サンプルごとにpredictを呼び出すと学習セットを毎回再計算するため、単一呼び出しと比べて約100倍遅い — テストセットは1,000件単位で分割することを推奨
• 最適な性能範囲は10万サンプル・2,000特徴量以下で、5万〜10万サンプルではignore_pretraining_limits=True設定、10万超ではLarge Datasets Guideを適用
• TabPFN Extensionsにより、SHAP解釈、異常値検知、合成データ生成、埋め込み抽出、ハイパーパラメータ最適化、Post-Hocアンサンブルなどの拡張機能を提供
• HuggingFaceでは多数の特化チェックポイントを提供: 大規模特徴量（最大1,000）、大規模サンプル（3万+）、小規模サンプル（3K未満）、実データでファインチューニングしたバージョンなど
• Enterprise Editionでは、蒸留エンジンベースの低遅延推論、最大1,000万行対応、商用ライセンスを提供
• コードなしで利用できるTabPFN UX（ノーコードのグラフィカルインターフェース）も別途提供
• コードはPrior Labs License（Apache 2.0 + 帰属要件）、TabPFN-2.5/2.6モデル重みは非商用ライセンス