SkillTFM：表格基础模型 无需训练 适应的门控技能进化

表格数据在现实应用中无处不在，对于科学、工业、金融、医疗保健和公共服务领域的数据驱动预测和决策至关重要。表格基础模型 (TFM) 已成为通用表格学习的一种有前途的范例，它提供跨不同数据集的可重用预测器，并大大减少对特定任务训练、调整和模型开发的需求。然而，它们的实际部署仍然受到分布变化、异构特征语义和特定于任务的模式的限制，如果没有昂贵的 微调 或额外的标记数据，这些模式就很难捕获。为此，我们提出了 SkillTFM，这是一个 无需训练 系统，它将 TFM 适应从参数更新转变为代理技能的门控进化。 SkillTFM 的核心是一个可验证且可扩展的技能库，它将边界证据识别与门控技能演化结合起来：前者描述了任务结构和基础模型故障模式，而后者则检索并扩展了经过显式验证的可重用技能。在模拟边界设置和实际电价预测中，SkillTFM 将 AUC 提高了 0.128--0.142，将非线性边界 AUC 从 0.699 提高到 0.898。此外，跨 TFM 主干网的实验证明了 SkillTFM 的有效性和通用性。