我々は、新しく高性能で解釈可能な正準的な深層表形式データ学習アーキテクチャであるTabNetを提案する。TabNetは、各決定ステップでどの特徴から推論すべきかを選択するために逐次注意を使用し、学習容量が最も顕著な特徴に使用されるため、解釈可能性とより効率的な学習を可能にする。我々は、性能が飽和していない広範囲の表形式データにおいて、TabNetが他のニューラルネットワークや決定木を上回る性能を発揮し、解釈可能な特徴の帰属と大域的なモデルの動作についての洞察が得られることを実証した。最後に、我々の知る限りで初めて、表形式データに対する自己教師付き学習を実証し、ラベル付けされていないデータが豊富な場合の教師なし表現学習と比較して性能を大幅に向上させている。 We propose a novel high-performance and interpretable canonical deep
![TabNet: 注意深い解釈可能な表学習](https://cdn-ak-scissors.b.st-hatena.com/image/square/bce79e2329ffada5cdddee5f7f253476585e57ab/height=288;version=1;width=512/https%3A%2F%2Farxiv-check-250201.firebaseapp.com%2Fimages%2Ftitle.jpg)