#表格数据

Tab Transformer项目在Pytorch中实现了表格数据的注意力网络，性能接近GBDT。亚马逊最新研究称在实际表格数据集上使用注意力机制超越了GBDT。项目提供详细安装和使用说明，并包含改进的FT Transformer模型以供比较。

pytorch-widedeep是一个基于Google的Wide and Deep算法的开源项目，专为多模式数据集设计，支持结合表格、文本和图像数据。该工具包提供多种架构和自定义模型支持，如TabMlp、BasicRNN、TabTransformer等。详细的安装、快速入门和使用扩展步骤可在官方文档中找到。pytorch-widedeep适合多模式数据的深度学习研究和应用。

PyTorch Frame是一个为异构表格数据设计的深度学习框架，支持数值、分类、时间、文本和图像等多种列类型。它采用模块化架构，实现了先进的深度表格模型，并可与大型语言模型集成。该框架提供了便捷的mini-batch加载器、基准数据集和自定义数据接口，简化了表格数据的深度学习研究过程，适用于各层次研究人员。框架内置多个预实现的深度表格模型，如Trompt、FTTransformer和TabNet等，并提供与XGBoost等GBDT模型的性能对比基准。PyTorch Frame无缝集成于PyTorch生态系统，便于与其他PyTorch库协同使用，为端到端的深度学习研究提供了便利。

TabularBenchmarks是一个开源项目，提供多种数据集和评估脚本，用于测试机器学习算法在表格数据上的性能。项目将数据集存放在input文件夹，算法实现则位于scripts文件夹。这些资源使研究人员能够客观比较不同算法处理表格数据的效果，有助于为特定任务选择合适的算法。

RTDL项目汇集了表格数据深度学习领域的多项前沿研究成果和开源工具包。项目涵盖TabReD基准测试、TabR近邻方法、TabDDPM扩散模型等创新技术，同时深入探讨了数值特征嵌入和预训练目标等关键问题。通过提供丰富的研究论文和实用的软件包，RTDL为表格数据深度学习的技术进步提供了重要支持，是该领域研究人员和实践者的宝贵资源。

Awesome-LLM-Tabular汇集了大型语言模型在表格数据处理领域的研究论文，涵盖数据表示、问答和推理等方面。项目提供论文详细信息、相关工作坊和博客文章，为研究人员提供全面的参考资源，助力快速了解该领域的最新进展。