用于近红外化学传感数据稳健校准的表格基础模型

近红外光谱越来越多地用作快速、无损化学传感技术，用于分析食品、药物、生物和环境样品。然而，近红外传感器的实际部署仍然取决于能够处理高维共线光谱、有限样本大小、预处理依赖性、光谱异常值以及超出校准域的外推的校准模型。在这里，我们评估表格基础模型是否可以为近红外化学传感提供新的校准策略。我们在涵盖 54 个回归和 12 个分类任务的 66 个 NIR 数据集上对 TabPFN 进行基准测试，并将原始光谱的直接推理与针对 PLS/PLS-DA、Ridge、Catboost 和一维卷积神经网络的预处理优化推理进行比较。该研究使用统一的验证框架，在外部测试评估之前仅对校准数据进行预处理和模型选择。在回归中，预处理优化的 TabPFN 实现了最佳的总体平均排名，并且在原始光谱上显着优于 PLS、CatBoost、TabPFN 和 CNN-1D，同时在统计上与 Ridge 相当。在分类中，直接应用于原始光谱的 TabPFN 可提供最佳平均排名，其性能接近优化变体。稳健性分析表明，TabPFN 提供了强大的平均预测性能，但其在光谱异常值和外推样本方面的优势有所减弱，而经典化学计量学模型在这方面仍然具有竞争力。这些结果表明，表格基础模型可以补充已建立的近红外化学传感化学计量工作流程，特别是在中小型校准环境中，同时强调对光谱特定先验和不确定性感知部署策略的需求。