Nature文献分享｜小样本机器学习新路线
【期刊】Nature，2025，Vol. 637
【影响因子】56.1
【研究问题】
医学科研里很多数据，本质上都是“患者 × 变量”的表格数据。过去这类任务常由XGBoost、CatBoost等树模型占优势。这篇文章提出TabPFN，尝试把Foundation Model的思路用到中小型表格数据预测中。
【方法亮点】
TabPFN不是拿到一个新数据集后再从头训练，而是先在大量合成表格任务上预训练，再通过in-context learning处理新的真实数据。论文主要benchmark覆盖最高约1万样本、500个特征的数据集。
【统计重点】
作者比较了TabPFN、XGBoost、CatBoost、LightGBM、RF等方法，并同时考察默认参数和调参后的表现。Fig.4不仅展示ROC-AUC等性能，还结合95%CI、逐数据集比较和Wilcoxon检验，同时把预测性能与训练/调参时间放在一起看。
【最值得借鉴】
我觉得这篇最有意思的不是“TabPFN赢了谁”，而是研究路线发生了变化：
传统机器学习：
每个数据集重新训练＋调参
TabPFN：
先跨大量任务学习，再迁移到新的表格数据
这对医学科研尤其值得关注，因为临床研究常见的恰恰是几百到几千例的结构化数据。

当然，TabPFN并不是全面取代XGBoost。真正值得关注的是：小样本表格机器学习，开始出现新的建模范式。

文献分享 Nature 机器学习 TabPFN 医学机器学习 临床预测模型 医学科研 研究生科研 科研思路