表格基础模型能够学习关联规则

关联规则挖掘（ARM）是表格数据知识发现的基础任务，广泛用于高风险决策。经典 ARM 方法依赖频繁项集挖掘，导致规则爆炸和可扩展性差；近期神经方法缓解了这些问题，但在低数据量场景下性能下降。在多样表格数据上预训练、具备强大上下文泛化能力的表格基础模型（TFM）为解决这些局限提供了基础。我们提出一个模型无关的关联规则学习框架，可从表格数据上的任意条件概率模型中提取关联规则，从而利用 TFM。随后我们提出 TabProbe，该框架的一个实例，将 TFM 用作条件概率估计器，开箱即用地学习关联规则，无需频繁项集挖掘。我们基于标准 ARM 规则质量指标和下游分类性能，在不同规模的表格数据集上评估该方法。结果表明，TFM 持续产出简洁、高质量、预测性能强的关联规则，且在低数据场景下无需任务特定训练依然稳健。源代码见 https://github.com/DiTEC-project/tabprobe。