๋ณธ๋ฌธ์œผ๋กœ ๊ฑด๋„ˆ๋›ฐ๊ธฐ

ํ‘œํ˜• ๊ธฐ๋ฐ˜ ๋ชจ๋ธ์ด๋ž€? TabPFN, TabICL, TabFM์ด ํ•™์Šต ์—†์ด ์˜ˆ์ธกํ•˜๋Š” ๋ฐฉ๋ฒ•

ํ‘œํ˜• ๊ธฐ๋ฐ˜ ๋ชจ๋ธ์ด ๋ฌด์—‡์ธ์ง€, ์ธ์ปจํ…์ŠคํŠธ ๋Ÿฌ๋‹์ด ์–ด๋–ป๊ฒŒ ๋™์ž‘ํ•˜๋Š”์ง€, TabPFN ๋˜๋Š” TabICL์ด ๊ตฌ์กฐํ™” ๋ฐ์ดํ„ฐ์—์„œ ์–ธ์ œ XGBoost๋ฅผ ์ด๊ธฐ๋Š”์ง€, ์˜์‚ฌ๊ฒฐ์ • ํ”„๋ ˆ์ž„์›Œํฌ์™€ ํ•จ๊ป˜ ์•Œ์•„๋ณด์„ธ์š”.

๋ฌด๋ฃŒ ๊ณ„์ • ๋งŒ๋“ค๊ธฐ

์‹ค์Šต ๋ฌธ์ œํ•˜๊ณ  ํŠธ๋ž™ํ•˜์„ธ์š”.

Google๋กœ ๊ณ„์†ํ•˜๊ธฐ๊ณ„์† ์ง„ํ–‰ํ•˜์‹œ๋ฉด ๋‹ค์Œ ์‚ฌํ•ญ์— ๋™์˜ํ•˜๋Š” ๊ฒƒ์œผ๋กœ ๊ฐ„์ฃผ๋ฉ๋‹ˆ๋‹ค: ์ด์šฉ์•ฝ๊ด€ ๋ฐ ๊ฐœ์ธ์ •๋ณด ์ฒ˜๋ฆฌ๋ฐฉ์นจ ๊ทธ๋ฆฌ๊ณ  ๊ท€ํ•˜์˜ ๋ฐ์ดํ„ฐ๊ฐ€ ๋ฏธ๊ตญ์— ์ €์žฅ๋œ๋‹ค๋Š” ์ ์— ๋™์˜ํ•˜๋Š” ๊ฒƒ์œผ๋กœ ๊ฐ„์ฃผ๋ฉ๋‹ˆ๋‹ค.

๊ฐ™์€ ์‹œํ—˜์„ ์น˜๋ฅด๋Š” ๋‘ ํ•™์ƒ์„ ๋– ์˜ฌ๋ ค ๋ณด์„ธ์š”. ์ฒซ ๋ฒˆ์งธ ํ•™์ƒ์€ ํ•œ ๊ณผ๋ชฉ๋งŒ 3์ฃผ ๋™์•ˆ ๊ณต๋ถ€ํ•ฉ๋‹ˆ๋‹ค. ๋‘ ๋ฒˆ์งธ ํ•™์ƒ์€ ์ด๋ฏธ ์ˆ˜๋ฐฑ๋งŒ ๊ฐœ์˜ ๋‹ค์–‘ํ•œ ์‹œํ—˜์„ ํ’€์–ด ๋ดค๊ณ , ์‹œํ—˜ ๋‹น์ผ์—๋Š” ํ’€์ด ์˜ˆ์ œ๊ฐ€ ์ ํžŒ ํ•œ ์žฅ์งœ๋ฆฌ ์ž๋ฃŒ๋งŒ ๋ฐ›์Šต๋‹ˆ๋‹ค.

๋จธ์‹  ๋Ÿฌ๋‹์˜ ๋Œ€๋ถ€๋ถ„ ์—ญ์‚ฌ์—์„œ, ํ‘œํ˜• ๋ชจ๋ธ์€ ์ฒซ ๋ฒˆ์งธ ํ•™์ƒ์— ๊ฐ€๊นŒ์› ์Šต๋‹ˆ๋‹ค. ์ƒˆ ๋ฐ์ดํ„ฐ์…‹์ด ๋‚˜์˜ฌ ๋•Œ๋งˆ๋‹ค ์ปฌ๋Ÿผ์„ ์ •๋ฆฌํ•˜๊ณ , ํŠน์ง•์„ ์—”์ง€๋‹ˆ์–ด๋งํ•˜๊ณ , XGBoost๋‚˜ LightGBM์„ ํ•™์Šต์‹œํ‚ค๊ณ , ํ•˜์ดํผํŒŒ๋ผ๋ฏธํ„ฐ๋ฅผ ๋ช‡ ์‹œ๊ฐ„์”ฉ ํŠœ๋‹ํ•ด์•ผ ํ–ˆ์Šต๋‹ˆ๋‹ค.

ํ•˜์ง€๋งŒ ํ‘œํ˜• ๊ธฐ๋ฐ˜ ๋ชจ๋ธ์€ ๋‘ ๋ฒˆ์งธ ํ•™์ƒ์ž…๋‹ˆ๋‹ค. ๋ผ๋ฒจ์ด ๋ถ™์€ ํ–‰์„ ์˜ˆ์ œ๋กœ ๊ฑด๋„ค์ฃผ๋ฉด, ํ•™์Šต ์—†์ด ๋‚˜๋จธ์ง€๋ฅผ ์˜ˆ์ธกํ•ฉ๋‹ˆ๋‹ค.

2026๋…„, ์ด ์•„์ด๋””์–ด๋Š” ์—ฐ๊ตฌ ๋…ผ๋ฌธ์„ ๋„˜์–ด ์‹ค์ œ ์ œํ’ˆ์œผ๋กœ ์ด์–ด์กŒ์Šต๋‹ˆ๋‹ค. SAP๊ฐ€ Prior Labs์— 10์–ต ์œ ๋กœ ์ด์ƒ์„ ํˆฌ์ž…ํ•˜๊ฒ ๋‹ค๊ณ  ๋ฐœํ‘œํ–ˆ๊ณ , Google๋„ ์ž์ฒด ๋ชจ๋ธ์„ ๊ณต๊ฐœํ–ˆ์Šต๋‹ˆ๋‹ค. ์ด ๊ธ€์—์„œ๋Š” ๋‹ค์Œ์„ ์‚ดํŽด๋ณด๊ฒ ์Šต๋‹ˆ๋‹ค.

  • ํ‘œํ˜• ๊ธฐ๋ฐ˜ ๋ชจ๋ธ์ด ๋ฌด์—‡์ธ์ง€
  • ๋”ฅ๋Ÿฌ๋‹์ด ํ‘œํ˜• ๋ฐ์ดํ„ฐ๋ฅผ ์–ด๋ ค์›Œํ•œ ์ด์œ 
  • ์ด ๋ชจ๋ธ๋“ค์ด ์‹ค์ œ๋กœ ์˜ˆ์ธก์„ ๋งŒ๋“œ๋Š” ๋ฐฉ์‹
  • 2026๋…„์˜ ํ•ต์‹ฌ ๋ชจ๋ธ
  • Python์—์„œ ์ง์ ‘ ์จ ๋ณด๋Š” ๋ฐฉ๋ฒ•
  • ์–ธ์ œ ์“ฐ๋ฉด ์ข‹์€์ง€, ์–ธ์ œ ํ”ผํ•ด์•ผ ํ•˜๋Š”์ง€

๋”ฅ๋Ÿฌ๋‹ ๊ฒฝํ—˜์ด ๋งŽ์ง€ ์•Š์•„๋„ ๊ฑฑ์ •ํ•˜์ง€ ๋งˆ์„ธ์š”. ์ด ๊ธ€์˜ ์ฝ”๋“œ๋Š” ์นœ์ˆ™ํ•œ scikit-learn ์ธํ„ฐํŽ˜์ด์Šค๋ฅผ ์‚ฌ์šฉํ•ฉ๋‹ˆ๋‹ค. ๋จผ์ € ๋ณต์Šต์ด ํ•„์š”ํ•˜๋‹ค๋ฉด, 20๋ถ„ ๋งŒ์— ์ดํ•ดํ•˜๋Š” 8๊ฐ€์ง€ ๋จธ์‹  ๋Ÿฌ๋‹ ๋ชจ๋ธ์—์„œ ๊ธฐ๋ณธ์„ ๋‹ค๋ฃฌ ๋‚ด์šฉ์„ ํ™•์ธํ•˜์„ธ์š”.

ํ‘œํ˜• ๊ธฐ๋ฐ˜ ๋ชจ๋ธ ํ•œ๋ˆˆ์— ๋ณด๊ธฐ

  • TabPFN, TabICLv2, Google์˜ TabFM ๊ฐ™์€ ํ‘œํ˜• ๊ธฐ๋ฐ˜ ๋ชจ๋ธ์€ ์ˆ˜๋ฐฑ๋งŒ ๊ฐœ์˜ ํ•ฉ์„ฑ ํ‘œ๋ฅผ ์‚ฌ์ „ํ•™์Šตํ•œ ์‹ ๊ฒฝ๋ง์œผ๋กœ, ๋ณ„๋„ ํ•™์Šต์ด๋‚˜ ํŠœ๋‹ ์—†์ด๋„ ๋ฐ์ดํ„ฐ์—์„œ ์˜ˆ์ธกํ•  ์ˆ˜ ์žˆ์Šต๋‹ˆ๋‹ค.
  • ๋ฌด์ž‘์œ„ ๋ถ„ํ• ์˜ ์†Œ๊ทœ๋ชจ~์ค‘๊ฐ„ ๊ทœ๋ชจ ๋ฐ์ดํ„ฐ์…‹(๋Œ€๋žต 300~100,000ํ–‰)์—์„œ๋Š”, ์ด์ œ ํŠœ๋‹ํ•œ XGBoost, CatBoost, LightGBM์„ ๋Œ€๋ถ€๋ถ„์˜ ๋ฒค์น˜๋งˆํฌ์—์„œ ์•ž์„ญ๋‹ˆ๋‹ค.
  • ์‹œ๊ฐ„ ์ˆœ์„œํ˜•, ๊ทธ๋ฃนํ™”๋œ ๋ฐ์ดํ„ฐ, ๋งค์šฐ ํฐ ๋ฐ์ดํ„ฐ์…‹์—์„œ๋Š” ๊ทธ๋ž˜๋””์–ธํŠธ ๋ถ€์ŠคํŒ… ํŠธ๋ฆฌ๊ฐ€ ์—ฌ์ „ํžˆ ์šฐ์„ธํ•˜๋ฉฐ, ๋น ๋ฅธ CPU ์˜ˆ์ธก์ด๋‚˜ ์‰ฌ์šด ์„ค๋ช… ๊ฐ€๋Šฅ์„ฑ์ด ํ•„์š”ํ•  ๋•Œ๋„ ํŠธ๋ฆฌ๊ฐ€ ์œ ๋ฆฌํ•ฉ๋‹ˆ๋‹ค.
  • TabICLv2๊ฐ€ ์‹œ์ž‘์ ์œผ๋กœ ๊ฐ€์žฅ ์ข‹์Šต๋‹ˆ๋‹ค. ์˜คํ”ˆ ์†Œ์Šค์ด๊ณ  ์ƒ์—…์  ์‚ฌ์šฉ์ด ๊ฐ€๋Šฅํ•˜๋ฉฐ, pip install tabicl๋กœ ์„ค์น˜ํ•ฉ๋‹ˆ๋‹ค.

ํ‘œํ˜• ๊ธฐ๋ฐ˜ ๋ชจ๋ธ์ด๋ž€?

ํ‘œํ˜• ๊ธฐ๋ฐ˜ ๋ชจ๋ธ์€ ์ˆ˜๋ฐฑ๋งŒ ๊ฐœ์˜ ํ•ฉ์„ฑ ํ‘œํ˜• ๋ฐ์ดํ„ฐ์…‹์œผ๋กœ ์‚ฌ์ „ํ•™์Šตํ•ด, ๋ชฉํ‘œ ์—ด์„ ์˜ˆ์ธกํ•˜๋Š” ์ผ๋ฐ˜ ์ „๋žต์„ ์ตํžŒ ์‹ ๊ฒฝ๋ง์ž…๋‹ˆ๋‹ค. ์ดํ›„ ์ธ์ปจํ…์ŠคํŠธ ๋Ÿฌ๋‹์„ ํ†ตํ•ด ๊ฐ ๋ฐ์ดํ„ฐ์…‹๋ณ„ ์ถ”๊ฐ€ ํ•™์Šต ์—†์ด ๊ทธ ์ „๋žต์„ ์ƒˆ๋กœ์šด ํ‘œ์— ์ ์šฉํ•ฉ๋‹ˆ๋‹ค.

์—ฌ๊ธฐ์„œ ํฐ ๋ณ€ํ™”๋Š” ํ•™์Šต์ด ์–ธ์ œ ์ผ์–ด๋‚˜๋Š”๊ฐ€์ž…๋‹ˆ๋‹ค.

XGBoost์—์„œ๋Š” ์ƒˆ ๋ชจ๋ธ์„ ํ•™์Šตํ•  ๋•Œ๋งˆ๋‹ค ๋งค๋ฒˆ ์—ฌ๋Ÿฌ๋ถ„์˜ ๋ฐ์ดํ„ฐ์—์„œ ํ•™์Šต์ด ์ผ์–ด๋‚ฉ๋‹ˆ๋‹ค. ํ‘œํ˜• ๊ธฐ๋ฐ˜ ๋ชจ๋ธ์—์„œ๋Š” ํ•™์Šต์ด ์ˆ˜๊ฐœ์›” ์ „ ์‚ฌ์ „ํ•™์Šต ๋‹จ๊ณ„์—์„œ ์ด๋ฏธ ๋๋‚ฌ๊ณ , ์—ฌ๋Ÿฌ๋ถ„์˜ ๋ฐ์ดํ„ฐ๋Š” ๋‹จ์ง€ ์ž…๋ ฅ์ผ ๋ฟ์ž…๋‹ˆ๋‹ค. ์ž์ฃผ ๋ณด๊ฒŒ ๋  ์šฉ์–ด๋ฅผ ๋ช‡ ๊ฐ€์ง€ ํ‰์ดํ•œ ๋ง๋กœ ์„ค๋ช…ํ•˜๋ฉด ๋‹ค์Œ๊ณผ ๊ฐ™์Šต๋‹ˆ๋‹ค.

  • ์ธ์ปจํ…์ŠคํŠธ ๋Ÿฌ๋‹(ICL): ๋ชจ๋ธ์ด ๋ผ๋ฒจ์ด ๋ถ™์€ ํ–‰์„ ์˜ˆ์ œ๋กœ ๋ณด๊ณ , ์ž์‹ ์˜ ๊ฐ€์ค‘์น˜๋ฅผ ๋ฐ”๊พธ์ง€ ์•Š์€ ์ฑ„ ์ƒˆ ํ–‰์„ ์˜ˆ์ธกํ•ฉ๋‹ˆ๋‹ค.
  • ์‚ฌ์ „ ์ ํ•ฉ ๋„คํŠธ์›Œํฌ(PFN): ๋‹ค์–‘ํ•œ ๊ฐ€์งœ ๋ฐ์ดํ„ฐ์…‹์„ ๋Œ€๋Ÿ‰์œผ๋กœ ์ƒ์„ฑํ•˜๋Š” ๋ ˆ์‹œํ”ผ(์‚ฌ์ „๋ถ„ํฌ)์—์„œ ์ƒ˜ํ”Œ๋งํ•œ ๋ฐ์ดํ„ฐ๋กœ ํ•™์Šตํ•œ ๋ชจ๋ธ์ž…๋‹ˆ๋‹ค.
  • ํ•ฉ์„ฑ ์‚ฌ์ „ํ•™์Šต: ์‹ค์ œ ํ‘œ ๋Œ€์‹  ๋งŒ๋“ค์–ด๋‚ธ ํ‘œ๋กœ ํ•™์Šตํ•˜๋Š” ๊ฒƒ์„ ๋œปํ•ฉ๋‹ˆ๋‹ค.
  • ์ œ๋กœ์ƒท ์˜ˆ์ธก: ์™„์ „ํžˆ ์ƒˆ๋กœ์šด ๋ฐ์ดํ„ฐ์…‹์— ๋Œ€ํ•ด ํ•™์Šต์ด๋‚˜ ๋ฏธ์„ธ์กฐ์ • ์—†์ด ๋ฐ”๋กœ ์˜ˆ์ธกํ•ฉ๋‹ˆ๋‹ค.

์ด์ œ ํ‘œํ˜• ๊ธฐ๋ฐ˜ ๋ชจ๋ธ์„ ๋ถ€์ŠคํŒ… ๊ธฐ๋ฒ•๊ณผ ์ž๋™ํ™”๋œ ๋จธ์‹  ๋Ÿฌ๋‹(AutoML)๊ณผ ๋น„๊ตํ•ด ๋ณด๊ฒ ์Šต๋‹ˆ๋‹ค.

ย ํ‘œํ˜• ๊ธฐ๋ฐ˜ ๋ชจ๋ธ๊ทธ๋ž˜๋””์–ธํŠธ ๋ถ€์ŠคํŒ… ํŠธ๋ฆฌ(XGBoost, LightGBM)AutoML (AutoGluon, H2O AutoML)
์ƒˆ ๋ฐ์ดํ„ฐ์—์„œ ํ•™์Šต ์‹œ๊ฐ„์—†์Œ์ˆ˜์ดˆ~์ˆ˜๋ถ„ + ํŠœ๋‹์ˆ˜๋ถ„~์ˆ˜์‹œ๊ฐ„
ํ•ด์„ ๊ฐ€๋Šฅ์„ฑ์ œํ•œ์ (SHAP ๊ฐ€๋Šฅํ•˜๋‚˜ ๋А๋ฆผ)์šฐ์ˆ˜(ํ”ผ์ฒ˜ ์ค‘์š”๋„, ๋น ๋ฅธ SHAP)์ฒœ์ฐจ๋งŒ๋ณ„, ์ข…์ข… ์ดํ•ด ์–ด๋ ค์šด ์•™์ƒ๋ธ”
๊ถŒ์žฅ ๋ฐ์ดํ„ฐ์…‹ ํฌ๊ธฐ์ˆ˜๋ฐฑ ~ ์•ฝ 10๋งŒ ํ–‰์ˆ˜์ฒœ ~ ์ˆ˜์ฒœ๋งŒ ํ–‰์ˆ˜์ฒœ ~ ์ˆ˜๋ฐฑ๋งŒ ํ–‰
GPU ํ•„์š” ์—ฌ๋ถ€์ˆ˜์ฒœ ํ–‰์„ ๋„˜๊ธฐ๋ฉด ๊ถŒ์žฅ์•„๋‹ˆ์˜ค๋Œ€๊ฐœ ์•„๋‹˜
์ž‘๊ณ  ๋ฌด์ž‘์œ„ ๋ถ„ํ• ๋œ ๋ฐ์ดํ„ฐ์…‹ํ˜„์žฌ ๋ฒค์น˜๋งˆํฌ์—์„œ ์ตœ์ƒํŠœ๋‹ ์‹œ ๊ฐ•๋ ฅ๊ฐ•๋ ฅํ•˜๋‚˜ ๋А๋ฆผ

๋ณธ๊ฒฉ์ ์œผ๋กœ ์›๋ฆฌ๋ฅผ ๋ณด๊ธฐ ์ „์—, ๊ฐ€์žฅ ์œ ๋ช…ํ•˜๊ณ  ๋„๋ฆฌ ์“ฐ์ด๋Š” ๋ชจ๋ธ์ธ ๋Œ€๊ทœ๋ชจ ์–ธ์–ด ๋ชจ๋ธ๊ณผ ๊ฐ„๋‹จํžˆ ๋น„๊ตํ•ด ๋ณด๊ฒ ์Šต๋‹ˆ๋‹ค.

ํ‘œํ˜• ๊ธฐ๋ฐ˜ ๋ชจ๋ธ vs. ๋Œ€๊ทœ๋ชจ ์–ธ์–ด ๋ชจ๋ธ

๋Œ€๊ทœ๋ชจ ์–ธ์–ด ๋ชจ๋ธ(LLM)๊ณผ ํ‘œํ˜• ๊ธฐ๋ฐ˜ ๋ชจ๋ธ์€ ๋ชจ๋‘ ํŠธ๋žœ์Šคํฌ๋จธ๋ฅผ ์‚ฌ์šฉํ•˜๊ณ , ์ž…๋ ฅ์— ํฌํ•จ๋œ ์˜ˆ์ œ๋กœ๋ถ€ํ„ฐ ํ•™์Šตํ•ฉ๋‹ˆ๋‹ค.

์ฐจ์ด๋Š” ๋ฌด์—‡์„ ์ฝ๋„๋ก ์„ค๊ณ„๋๋А๋ƒ์ž…๋‹ˆ๋‹ค. LLM์€ ํ‘œ๋ฅผ ๊ธด ํ…์ŠคํŠธ ๋ฌธ์ž์—ด๋กœ ์ฝ๊ธฐ ๋•Œ๋ฌธ์—, ์‰ผํ‘œ์™€ ๊ณต๋ฐฑ์„ ๋‹จ์„œ๋กœ ์–ด๋–ค ์ˆซ์ž๊ฐ€ ๊ฐ™์€ ์ปฌ๋Ÿผ์— ์†ํ•˜๋Š”์ง€ ์Šค์Šค๋กœ ํŒŒ์•…ํ•ด์•ผ ํ•ฉ๋‹ˆ๋‹ค.

์˜๋ฏธ์˜ ๋ฌธ์ œ๋„ ์žˆ์Šต๋‹ˆ๋‹ค.

๊ฐ’ 42๋Š” ๋ˆ„๊ตฐ๊ฐ€์˜ ๋‚˜์ด์ผ ์ˆ˜๋„ ์žˆ๊ณ  ๋งค์ถœ์ผ ์ˆ˜๋„ ์žˆ์ง€๋งŒ, ์ˆซ์ž ์ž์ฒด๋งŒ์œผ๋กœ๋Š” ๊ตฌ๋ถ„ํ•  ์ˆ˜ ์—†์Šต๋‹ˆ๋‹ค. ํ‘œํ˜• ๊ธฐ๋ฐ˜ ๋ชจ๋ธ์€ ๊ฐ ์ปฌ๋Ÿผ์„ ๋…๋ฆฝ ๋ณ€์ˆ˜๋กœ, ๊ฐ ํ–‰์„ ํ•˜๋‚˜์˜ ์˜ˆ์ œ๋กœ ๋‹ค๋ฃจ๋„๋ก ํ•™์Šต๋˜๋ฏ€๋กœ ์ปฌ๋Ÿผ ๊ฐ„ ๊ด€๊ณ„์— ์ง‘์ค‘ํ•ฉ๋‹ˆ๋‹ค.

์ด๋ ‡๊ฒŒ ์ƒ๊ฐํ•˜๋ฉด ์ดํ•ด๊ฐ€ ์‰ฝ์Šต๋‹ˆ๋‹ค. LLM์€ ๋ฐ์ดํ„ฐ์— ๋Œ€ํ•ด ๋งํ•˜๋Š” ๋ฐ ๋›ฐ์–ด๋‚˜๊ณ , ํ‘œํ˜• ๊ธฐ๋ฐ˜ ๋ชจ๋ธ์€ ๊ทธ ๋ฐ์ดํ„ฐ๋กœ ๊ณ„์‚ฐํ•˜๋Š” ๋ฐ ํŠนํ™”๋˜์–ด ์žˆ์Šต๋‹ˆ๋‹ค.

๋‘ ๋ชจ๋ธ์€ ํ•จ๊ป˜ ์‚ฌ์šฉํ•  ์ˆ˜๋„ ์žˆ์Šต๋‹ˆ๋‹ค. ์‹ค์ œ๋กœ H2O.ai๋Š” tabH2O ๋ชจ๋ธ์„ ์ •ํ™•ํžˆ ๊ทธ๋ ‡๊ฒŒ ํฌ์ง€์…”๋‹ํ•ฉ๋‹ˆ๋‹ค. ์Šคํ”„๋ ˆ๋“œ์‹œํŠธ์—์„œ ์ˆซ์ž๊ฐ€ ํ•„์š”ํ•  ๋•Œ AI ์—์ด์ „ํŠธ๊ฐ€ ํ˜ธ์ถœํ•˜๋Š” ์˜ˆ์ธก ๋„๊ตฌ๋กœ์š”.

๋”ฅ๋Ÿฌ๋‹์— ํ‘œํ˜• ๋ฐ์ดํ„ฐ๊ฐ€ ์–ด๋ ต๋˜ ์ด์œ 

ํ‘œํ˜• ๋ฐ์ดํ„ฐ๊ฐ€ ๋”ฅ๋Ÿฌ๋‹์— ์–ด๋ ค์› ๋˜ ์ด์œ ๋Š”, ํ‘œ์—๋Š” ์‹ ๊ฒฝ๋ง์ด ํ•œ ๋ฒˆ ๋ฐฐ์šฐ๊ณ  ์žฌ์‚ฌ์šฉํ•  ์ˆ˜ ์žˆ๋Š” ๊ณตํ†ต ๊ตฌ์กฐ๊ฐ€ ์—†๊ธฐ ๋•Œ๋ฌธ์ž…๋‹ˆ๋‹ค. ์‚ฌ์ง„์˜ ํ”ฝ์…€์€ ์–ด๋–ค ์‚ฌ์ง„์—์„œ๋‚˜ ํ”ฝ์…€์ž…๋‹ˆ๋‹ค. ํ•˜์ง€๋งŒ ๊ธˆ์œต ๋ฐ์ดํ„ฐ์˜ score ์ปฌ๋Ÿผ๊ณผ ์ถ•๊ตฌ ๋ฐ์ดํ„ฐ์˜ score ์ปฌ๋Ÿผ์€ ์ด๋ฆ„๋งŒ ๊ฐ™์„ ๋ฟ ๊ณตํ†ต์ ์ด ์—†์Šต๋‹ˆ๋‹ค.

Lรฉo Grinsztajn, Edouard Oyallon, Gaรซl Varoquaux์˜ ์œ ๋ช…ํ•œ 2022๋…„ ๋…ผ๋ฌธ Why do tree-based models still outperform deep learning on tabular data?๋Š” 45๊ฐœ ๋ฐ์ดํ„ฐ์…‹์—์„œ ์ด๋ฅผ ๊ฒ€์ฆํ–ˆ๊ณ , ํŠนํžˆ ๊ทธ๋ž˜๋””์–ธํŠธ ๋ถ€์ŠคํŒ… ๊ฐ™์€ ํŠธ๋ฆฌ ๊ธฐ๋ฐ˜ ๋ชจ๋ธ์ด ์•ฝ 1๋งŒ ํ–‰ ๊ทœ๋ชจ์˜ ์ค‘๊ฐ„ ํฌ๊ธฐ ํ‘œ์—์„œ ๋”ฅ๋Ÿฌ๋‹์„ ์—ฌ์ „ํžˆ ์•ž์„ ๋‹ค๊ณ  ๋ณด๊ณ ํ–ˆ์Šต๋‹ˆ๋‹ค. ๊ทธ ์ด์œ ๋กœ๋Š” ๋‹ค์Œ์„ ๊ผฝ์•˜์Šต๋‹ˆ๋‹ค.

  • ๊ธ‰๊ฒฉํ•œ ๊ณ„๋‹จ: ์‹ค์ œ ํŒจํ„ด์€ ๊ฐ‘์ž‘์Šค๋Ÿฌ์šด ๋‹จ๊ณ„ ๋ณ€ํ™”(์˜ˆ: ์„ธ์œจ ๊ตฌ๊ฐ„)๋ฅผ ์ž์ฃผ ๋ณด์ž…๋‹ˆ๋‹ค. ํŠธ๋ฆฌ๋Š” ์ด๋ฅผ ์‰ฝ๊ฒŒ ์ฒ˜๋ฆฌํ•˜์ง€๋งŒ, ์‹ ๊ฒฝ๋ง์€ ๋งค๋ˆํ•œ ํ•จ์ˆ˜์— ํŽธํ–ฅ๋˜๋Š” ๊ฒฝํ–ฅ์ด ์žˆ์Šต๋‹ˆ๋‹ค.
  • ์“ธ๋ชจ์—†๋Š” ์ปฌ๋Ÿผ: ํ‘œ์—๋Š” ์˜๋ฏธ ์—†๋Š” ์ปฌ๋Ÿผ์ด ํ”ํ•ฉ๋‹ˆ๋‹ค. ํŠธ๋ฆฌ๋Š” ์ด๋ฅผ ๋ฌด์‹œํ•˜์ง€๋งŒ, ์‹ ๊ฒฝ๋ง์—๋Š” ๋ˆˆ์— ๋„๋Š” ์•…์˜ํ–ฅ์„ ์ค๋‹ˆ๋‹ค.
  • ์ปฌ๋Ÿผ์˜ ๊ฐœ๋ณ„์  ์˜๋ฏธ: ๊ฐ ์ปฌ๋Ÿผ์€ ์ž์ฒด ๋ณ€์ˆฉ๋‹ˆ๋‹ค. ํ‘œ์ค€ ์‹ ๊ฒฝ๋ง์€ ์ปฌ๋Ÿผ์„ ์„ž์–ด ์˜๋ฏธ๋ฅผ ์žƒ๊ธฐ ์‰ฝ์Šต๋‹ˆ๋‹ค.

์‹ค๋ฌด์ ์ธ ๋ฌธ์ œ๋„ ๋‘ ๊ฐ€์ง€๊ฐ€ ๋” ์žˆ์Šต๋‹ˆ๋‹ค. ํ•˜๋‚˜์˜ ํ‘œ์— ์ˆซ์ž, ๋ฒ”์ฃผ, ์ˆœ์œ„, ๊ฒฐ์ธก๊ฐ’์ด ๋’ค์„ž์—ฌ ์žˆ์„ ์ˆ˜ ์žˆ๊ณ , ๋Œ€๋ถ€๋ถ„์˜ ๋น„์ฆˆ๋‹ˆ์Šค ํ‘œ๋Š” ์ˆ˜๋ฐฑ ๋˜๋Š” ์ˆ˜์ฒœ ํ–‰์— ๋ถˆ๊ณผํ•ด, ์ฒ˜์Œ๋ถ€ํ„ฐ ์‹ ๊ฒฝ๋ง์„ ํ•™์Šต์‹œํ‚ค๊ธฐ์—๋Š” ๋„ˆ๋ฌด ์ž‘์Šต๋‹ˆ๋‹ค.

๊ฐ€์žฅ ์ค‘์š”ํ•œ ๋ฌธ์ œ๋Š” ์ž‘์€ ๋ฐ์ดํ„ฐ์…‹์ด๋ผ๊ณ  ์ƒ๊ฐํ•ฉ๋‹ˆ๋‹ค. 800ํ–‰์œผ๋กœ ์ฒ˜์Œ๋ถ€ํ„ฐ ํ•™์Šตํ•œ ์‹ ๊ฒฝ๋ง์€ ๊ธฐ๋Œ€ํ•  ๋ฐ”ํƒ•์ง€์‹์ด ์—†์ง€๋งŒ, ํŠธ๋ฆฌ๋Š” ์„ ํ–‰ ์ง€์‹ ์—†์ด๋„ ๋™์ž‘ํ•ฉ๋‹ˆ๋‹ค.

์‚ฌ์ „ํ•™์Šต์€ ์ •ํ™•ํžˆ ์ด ์ ์„ ํ•ด๊ฒฐํ–ˆ์Šต๋‹ˆ๋‹ค. ํ‘œํ˜• ๊ธฐ๋ฐ˜ ๋ชจ๋ธ์€ ์—ฌ๋Ÿฌ๋ถ„์˜ ํ‘œ๋ฅผ ๋ณด๊ธฐ ์ „์— ์ด๋ฏธ ์ˆ˜๋ฐฑ๋งŒ ๊ฐœ์˜ ์ž‘๊ณ  ์ง€์ €๋ถ„ํ•œ ๊ฐ€์งœ ํ‘œ๋กœ ์—ฐ์Šต์„ ๋งˆ์ณค๊ธฐ ๋•Œ๋ฌธ์—, ๋ฐฑ์ง€ ์ƒํƒœ์—์„œ ์‹œ์ž‘ํ•˜์ง€ ์•Š์Šต๋‹ˆ๋‹ค.

ํ‘œํ˜• ๊ธฐ๋ฐ˜ ๋ชจ๋ธ์€ ์–ด๋–ป๊ฒŒ ๋™์ž‘ํ•˜๋‚˜?

ํ‘œํ˜• ๊ธฐ๋ฐ˜ ๋ชจ๋ธ์€ ๋ผ๋ฒจ์ด ์žˆ๋Š” ํ•™์Šต ํ–‰๊ณผ ๋ผ๋ฒจ์ด ์—†๋Š” ํ…Œ์ŠคํŠธ ํ–‰์„ ํ•˜๋‚˜์˜ ์ž…๋ ฅ์œผ๋กœ ํ•จ๊ป˜ ๋ฐ›์•„, ํ•œ ๋ฒˆ์˜ ์ˆœ์ „ํŒŒ๋กœ ๋ˆ„๋ฝ๋œ ๋ผ๋ฒจ์„ ์˜ˆ์ธกํ•ฉ๋‹ˆ๋‹ค. ๊ฐ€์ค‘์น˜๋Š” ๋ฐ”๋€Œ์ง€ ์•Š์Šต๋‹ˆ๋‹ค. ํ”„๋กฌํ”„ํŠธ์— ๋ช‡ ๊ฐœ ์˜ˆ์‹œ๋ฅผ ์ฃผ๋ฉด ๋‹ต์„ ๋‚ด๋Š” LLM๊ณผ ๊ฐ™์Šต๋‹ˆ๋‹ค.

์ด๋กœ ์ธํ•ด ์ต์ˆ™ํ•œ scikit-learn ๋ฉ”์„œ๋“œ์˜ ์˜๋ฏธ๋„ ๋‹ฌ๋ผ์ง‘๋‹ˆ๋‹ค.

TabICL์—์„œ .fit()์„ ํ˜ธ์ถœํ•˜๋ฉด, TabICL ๋ฌธ์„œ์— ๋”ฐ๋ฅด๋ฉด ์‚ฌ์ „ํ•™์Šต ์ฒดํฌํฌ์ธํŠธ๋ฅผ ๋ถˆ๋Ÿฌ์˜ค๊ณ , ๋ฐ์ดํ„ฐ๋ฅผ ์ „์ฒ˜๋ฆฌํ•ด ์ €์žฅํ•ฉ๋‹ˆ๋‹ค. ์‹ค์ œ ์ž‘์—…์€ .predict() ์ค‘์— ์ผ์–ด๋‚ฉ๋‹ˆ๋‹ค.

.fit()์ด๋ผ๋Š” ์ด๋ฆ„์„ ์œ ์ง€ํ•˜๋Š” ์ด์œ ๋Š” ๊ธฐ์กด scikit-learn ์ฝ”๋“œ์— ๊ทธ๋Œ€๋กœ ๋ผ์›Œ ๋„ฃ๊ธฐ ์œ„ํ•ด์„œ์ž…๋‹ˆ๋‹ค.

TabPFN ๊ฐœ์š”: ํ•ฉ์„ฑ ๋ฐ์ดํ„ฐ์…‹์œผ๋กœ ์†์‹ค์„ ๋‘๊ณ  ํ•™์Šต(์ขŒ), ์‹ค์ œ ๋ฐ์ดํ„ฐ์…‹์—์„œ ํ•œ ๋ฒˆ์˜ ์ˆœ์ „ํŒŒ๋กœ ์˜ˆ์ธก(์šฐ), ๊ทธ๋ฆฌ๊ณ  2D ์–ดํ…์…˜ ์•„ํ‚คํ…์ฒ˜

๊ทธ๋ฆผ 1: TabPFN์€ ์ˆ˜๋ฐฑ๋งŒ ๊ฐœ์˜ ํ•ฉ์„ฑ ๋ฐ์ดํ„ฐ์…‹์œผ๋กœ ์‚ฌ์ „ํ•™์Šตํ•œ ๋’ค, ์‹ค์ œ ํ‘œ๋ฅผ ํ•œ ๋ฒˆ์˜ ์ˆœ์ „ํŒŒ๋กœ ์˜ˆ์ธกํ•ฉ๋‹ˆ๋‹ค. ์•„๋ž˜ ํŒจ๋„์€ ํŠน์ง•๊ณผ ์ƒ˜ํ”Œ์— ๊ต์ฐจ๋กœ ์ฃผ์˜๋ฅผ ๊ธฐ์šธ์ด๋Š” ๋ฐฉ์‹์„ ๋ณด์—ฌ์ค๋‹ˆ๋‹ค. ์ถœ์ฒ˜: Hollmann ์™ธ, โ€œAccurate predictions on small data with a tabular foundation modelโ€, Nature (2025).

ํ•ฉ์„ฑ ์‚ฌ์ „ํ•™์Šต

ํ•ฉ์„ฑ ์‚ฌ์ „ํ•™์Šต์€ ์‹ค์ œ ํ‘œ ๋Œ€์‹ , ์ƒ์„ฑ ๋ชจ๋ธ์ฒ˜๋Ÿผ ๋™์ž‘ํ•˜๋Š” ๋ฐ์ดํ„ฐ ์ƒ์„ฑ๊ธฐ๋กœ ๋งŒ๋“  ๊ฐ€์งœ ํ‘œ๋กœ ๋ชจ๋ธ์„ ํ•™์Šต์‹œํ‚ค๋Š” ๊ฒƒ์ž…๋‹ˆ๋‹ค.

๋น„ํ–‰ ์‹œ๋ฎฌ๋ ˆ์ดํ„ฐ์—์„œ ํ›ˆ๋ จํ•˜๋Š” ์กฐ์ข…์‚ฌ๋ฅผ ๋– ์˜ฌ๋ ค ๋ณด์„ธ์š”. ์กฐ์ข…์‚ฌ๋Š” ๋‚ ์”จ, ๊ณตํ•ญ, ๊ณ ์žฅ ์ƒํ™ฉ์ด ์ œ๊ฐ๊ฐ์ธ ์ˆ˜์ฒœ ๋ฒˆ์˜ ๊ฐ€์งœ ๋น„ํ–‰์„ ์—ฐ์Šตํ•ด, ์ฒซ ์‹ค์ „ ๋น„ํ–‰์ด ๋‚ฏ์„ค์ง€ ์•Š๊ฒŒ ํ•ฉ๋‹ˆ๋‹ค.

TabPFN๋„ ๋น„์Šทํ•˜๊ฒŒ ๋™์ž‘ํ•ฉ๋‹ˆ๋‹ค.

์—ฐ๊ตฌ์ง„์€ ์ปฌ๋Ÿผ ๊ฐ„์˜ ๋ฌด์ž‘์œ„ โ€œ์›์ธ๊ณผ ๊ฒฐ๊ณผโ€ ๊ทœ์น™(์˜ˆ: A ์ปฌ๋Ÿผ์ด B ์ปฌ๋Ÿผ์— ์˜ํ–ฅ์„ ์ฃผ๊ณ , B๊ฐ€ ํƒ€๊นƒ์— ์˜ํ–ฅ์„ ์ฃผ๋Š” ์‹)์„ ๋งŒ๋“ค์–ด ๋‚ด๋Š” ์ƒ์„ฑ๊ธฐ๋ฅผ ์ž‘์„ฑํ•˜๊ณ , ๊ทธ ๊ทœ์น™์œผ๋กœ ํ–‰์„ ์ƒ์„ฑํ•ฉ๋‹ˆ๋‹ค.

์‚ฌ์ „ํ•™์Šต ๋™์•ˆ์—๋Š” ํƒ€๊นƒ ์ปฌ๋Ÿผ์„ ์ˆจ๊ธฐ๊ณ , ๋ชจ๋ธ์ด ์ด๋ฅผ ์˜ˆ์ธกํ•˜๋„๋ก ํ•˜๋ฉฐ, ์ด ๊ณผ์ •์„ ๊ทœ์น™, ๋…ธ์ด์ฆˆ ์ˆ˜์ค€, ํ‘œ ํฌ๊ธฐ๋ฅผ ๋ฐ”๊ฟ” ๊ฐ€๋ฉฐ ์ˆ˜๋ฐฑ๋งŒ ๋ฒˆ ๋ฐ˜๋ณตํ•ฉ๋‹ˆ๋‹ค.

์ค‘์š”ํ•œ ์ ์€, ๋ชจ๋ธ์ด ์–ด๋–ค ์‹ค์ œ ์ฃผ์ œ์— ๋Œ€ํ•œ ์‚ฌ์‹ค์„ ๋ฐฐ์šฐ๋Š” ๊ฒƒ์ด ์•„๋‹ˆ๋ผ๋Š” ๊ฒƒ์ž…๋‹ˆ๋‹ค. ๋Œ€์‹  ์–ด๋–ค ์ปฌ๋Ÿผ์ด ์ค‘์š”ํ•œ์ง€ ํŒŒ์•…ํ•˜๊ณ , ์ด์ƒ์น˜๋ฅผ ๋‹ค๋ฃจ๊ณ , ํ™•์‹ ์ด ์„œ์ง€ ์•Š์„ ๋•Œ๋ฅผ ์•„๋Š” ๋“ฑ ์ผ๋ฐ˜ ๊ธฐ์ˆ ์„ ์ตํž™๋‹ˆ๋‹ค.

์‹ค์ œ๋กœ TabICLv2 ๋…ผ๋ฌธ์€ ์„ฑ๋Šฅ ํ–ฅ์ƒ์˜ ํ•ต์‹ฌ ์ด์œ ๋กœ ์ƒˆ๋กœ์šด ํ•ฉ์„ฑ ๋ฐ์ดํ„ฐ ์ƒ์„ฑ๊ธฐ๋ฅผ ๊ผฝ์Šต๋‹ˆ๋‹ค.

ํ‘œ๋ฅผ ์ฝ๋Š” ๋‘ ๊ฐ€์ง€ ๋ฐฉ์‹

์„ธ๋ถ€ ๊ตฌ์กฐ๋ฅผ ์ „๋ถ€ ์ดํ•ดํ•  ํ•„์š”๋Š” ์—†์ง€๋งŒ, ๋‘ ๊ฐ€์ง€ ์ฃผ์š” ์„ค๊ณ„๊ฐ€ ์žˆ๋‹ค๋Š” ์ ์€ ์•Œ์•„๋‘๋ฉด ์ข‹์Šต๋‹ˆ๋‹ค.

  1. ๋ชจ๋“  ์…€์„ ๋ณธ๋‹ค(TabPFN). 2025๋…„ Nature์— ์‹ค๋ฆฐ TabPFN-2๋Š” ๋ชจ๋“  ์…€์„ ์ถ”์ ํ•˜๊ณ , ํ–‰๊ณผ ์—ด ๋ชจ๋‘์—์„œ ์…€์„ ๋น„๊ตํ•ฉ๋‹ˆ๋‹ค. ๋งค์šฐ ์ •๊ตํ•˜์ง€๋งŒ ํ‘œ๊ฐ€ ์ปค์งˆ์ˆ˜๋ก ๋น„์šฉ์ด ์ปค์ ธ TabPFN-2๋Š” 10,000ํ–‰, 500ํŠน์ง•์œผ๋กœ ์ œํ•œ๋˜์—ˆ์Šต๋‹ˆ๋‹ค.
  2. ๊ฐ ํ–‰์„ ๋จผ์ € ์š”์•ฝํ•œ๋‹ค(TabICL). TabICL์€ ๋จผ์ € ๊ฐ ํ–‰์„ ํ•˜๋‚˜์˜ ์••์ถ• ์š”์•ฝ์œผ๋กœ ์ถ•์†Œํ•˜๊ณ , ๊ฐœ๋ณ„ ์…€์ด ์•„๋‹ˆ๋ผ ๊ทธ ์š”์•ฝ๋“ค๋กœ๋ถ€ํ„ฐ ํ•™์Šตํ•ฉ๋‹ˆ๋‹ค. ๋น„๊ตํ•ด์•ผ ํ•  ๋Œ€์ƒ์ด ํ›จ์”ฌ ์ ์–ด, ํ›จ์”ฌ ํฐ ํ‘œ๋ฅผ ์ฒ˜๋ฆฌํ•  ์ˆ˜ ์žˆ์Šต๋‹ˆ๋‹ค.

๋‘ ๊ณ„์—ด ๋ชจ๋‘ ํ•ฉ์„ฑ ๋ฐ์ดํ„ฐ๋กœ ํ•™์Šต๋˜๋ฏ€๋กœ, โ€œ์‚ฌ์ „ ์ ํ•ฉ ๋„คํŠธ์›Œํฌโ€๋Š” ๋ณ„๋„์˜ ๋ชจ๋ธ ์œ ํ˜•์ด ์•„๋‹ˆ๋ผ ํ•™์Šต ๋ฐฉ์‹์„ ์„ค๋ช…ํ•˜๋Š” ์šฉ์–ด๋ผ๋Š” ์ ์„ ์œ ์˜ํ•˜์„ธ์š”.

TabFM ์•„ํ‚คํ…์ฒ˜: ํ•™์Šต ํ–‰๊ณผ ํ•˜๋‚˜์˜ ํ…Œ์ŠคํŠธ ํ–‰์„ ๊ฐ€์ง„ ์ž‘์€ ํ‘œ๊ฐ€ ํ–‰/์—ด ์–ดํ…์…˜์„ ๋ฒˆ๊ฐˆ์•„ ๊ฑฐ์นœ ๋’ค, ํ–‰ ์••์ถ•์„ ๊ฑฐ์น˜๊ณ , ์ธ์ปจํ…์ŠคํŠธ ๋Ÿฌ๋‹์œผ๋กœ ๋ˆ„๋ฝ ๋ผ๋ฒจ์„ ์˜ˆ์ธก

๊ทธ๋ฆผ 2: TabFM์€ ๋‘ ์„ค๊ณ„๋ฅผ ํ˜ผํ•ฉํ•ฉ๋‹ˆ๋‹ค. ํ–‰/์—ด ๋ฐฉํ–ฅ์˜ TabPFN์‹ ์–ดํ…์…˜, ์ดํ›„ TabICL์‹ ํ–‰ ์••์ถ•, ๊ทธ๋ฆฌ๊ณ  ๋ˆ„๋ฝ ๋ผ๋ฒจ์— ๋Œ€ํ•œ ์ธ์ปจํ…์ŠคํŠธ ๋Ÿฌ๋‹. ์ถœ์ฒ˜: Google Research, โ€œIntroducing TabFM: A zero-shot foundation model for tabular dataโ€ (2026).

๋ฐ˜์ „: ์˜ˆ์ธก์ด ๋” ๋А๋ ค์ง„๋‹ค

๋งŽ์€ ์‚ฌ๋žŒ์ด ๋†“์น˜๋Š” ํŠธ๋ ˆ์ด๋“œ์˜คํ”„๊ฐ€ ์žˆ์Šต๋‹ˆ๋‹ค.

XGBoost๋Š” ํ•œ ๋ฒˆ ์‹œ๊ฐ„์„ ๋“ค์—ฌ ํ•™์Šตํ•˜๊ณ , ์ดํ›„์—๋Š” ๊ฑฐ์˜ ์ฆ‰์‹œ ์˜ˆ์ธกํ•ฉ๋‹ˆ๋‹ค.

ํ‘œํ˜• ๊ธฐ๋ฐ˜ ๋ชจ๋ธ์€ ํ•™์Šต์„ ๊ฑด๋„ˆ๋›ฐ์ง€๋งŒ, ์˜ˆ์ธกํ•  ๋•Œ๋งˆ๋‹ค ํ•™์Šต ํ–‰ ์ „๋ถ€๋ฅผ ๋‹ค์‹œ ์ฝ์–ด์•ผ ํ•ฉ๋‹ˆ๋‹ค.

์„œ๋น„์Šค ์ „ ์ค€๋น„๋ฅผ ์ „ํ˜€ ํ•˜์ง€ ์•Š๊ณ , ์ฃผ๋ฌธ๋งˆ๋‹ค ๋ ˆ์‹œํ”ผ ์ฑ…์„ ์ฒ˜์Œ๋ถ€ํ„ฐ ๋๊นŒ์ง€ ๋‹ค์‹œ ์ฝ๋Š” ์…ฐํ”„๋ฅผ ๋– ์˜ฌ๋ ค ๋ณด์„ธ์š”.

์ฑ…์ด ์–‡์„ ๋•Œ๋Š” ๊ดœ์ฐฎ์ง€๋งŒ, ๋ฐ์ดํ„ฐ์…‹์ด ์ปค์งˆ์ˆ˜๋ก ์˜ˆ์ธก์€ ๋А๋ ค์ง‘๋‹ˆ๋‹ค. TabICL๊ณผ TabPFN ๋ชจ๋‘ ํ•™์Šต ๋ฐ์ดํ„ฐ์— ๋Œ€ํ•œ โ€œ์ฝ๊ธฐโ€๋ฅผ ์บ์‹œํ•ด ๋ฐ˜๋ณต ์˜ˆ์ธก์„ ๊ฐ€์†ํ•  ์ˆ˜ ์žˆ์ง€๋งŒ, ์ฒซ ๋ฒˆ์งธ ํŒจ์Šค์—๋Š” ์—ฌ์ „ํžˆ ์‹œ๊ฐ„์ด ๋“ญ๋‹ˆ๋‹ค.

2026๋…„์˜ ํ•ต์‹ฌ ํ‘œํ˜• ๊ธฐ๋ฐ˜ ๋ชจ๋ธ์€?

2026๋…„์˜ ํ•ต์‹ฌ ํ‘œํ˜• ๊ธฐ๋ฐ˜ ๋ชจ๋ธ์€ TabPFN, TabICLv2, Google์˜ TabFM, Fundamental์˜ NEXUS, H2O.ai์˜ tabH2O์ž…๋‹ˆ๋‹ค. ํฅ๋ฏธ๋กœ์šด ์ ์€ ๋น„์ฆˆ๋‹ˆ์Šค ์ „๊ฐœ ์†๋„์ž…๋‹ˆ๋‹ค. ๋ถˆ๊ณผ 5๊ฐœ์›” ๋งŒ์— ํ•™๊ณ„ ๋…ผ๋ฌธ์—์„œ ๋Œ€ํ˜• ๊ฑฐ๋ž˜๋กœ ์ด์–ด์กŒ์Šต๋‹ˆ๋‹ค. ๊ฐ„๋‹จํ•œ ํƒ€์ž„๋ผ์ธ์€ ๋‹ค์Œ๊ณผ ๊ฐ™์Šต๋‹ˆ๋‹ค.

์ด์ œ ๋ชจ๋“  ๊ฒƒ์„ ์‹œ์ž‘ํ•œ ๋ชจ๋ธ๋ถ€ํ„ฐ ์ฐจ๋ก€๋กœ ์‚ดํŽด๋ณด๊ฒ ์Šต๋‹ˆ๋‹ค.

TabPFN(Prior Labs, ํ˜„์žฌ SAP ์†Œ์†)

TabPFN์€ ์ด ์นดํ…Œ๊ณ ๋ฆฌ๋ฅผ ๋งŒ๋“  ๋ชจ๋ธ์ž…๋‹ˆ๋‹ค. TabPFN-2๋Š” 2025๋…„ 1์›” Nature์— ์‹ค๋ ธ๊ณ , ์ตœ๋Œ€ 10,000ํ–‰ ๋ฐ์ดํ„ฐ์…‹์—์„œ ํŠœ๋‹ํ•œ ํŠธ๋ฆฌ ๊ธฐ๋ฐ˜ ๋ชจ๋ธ์„ ์ด๊ฒผ์Šต๋‹ˆ๋‹ค.

๊ทธ ์ดํ›„ Prior Labs๋Š” ๋น ๋ฅด๊ฒŒ ์ƒˆ ๋ฒ„์ „์„ ๋‚ด๋†“์•˜์Šต๋‹ˆ๋‹ค. TabPFN-3๋Š” 2026๋…„ 5์›”์— ๊ณต๊ฐœ๋˜์—ˆ๊ณ  ์ตœ๋Œ€ 100๋งŒ ํ–‰(์ตœ๋Œ€ 200 ํŠน์ง•)๊นŒ์ง€ ์ฒ˜๋ฆฌํ•ฉ๋‹ˆ๋‹ค. ๋˜ํ•œ Thinking ๋ชจ๋“œ(์œ ๋ฃŒ API)๋ฅผ ์ถ”๊ฐ€ํ•ด, ์ ํ•ฉ ๋‹จ๊ณ„์—์„œ ๋” ๋งŽ์€ ์‹œ๊ฐ„์„ ๋“ค์—ฌ ๋” ๋‚˜์€ ์˜ˆ์ธก์„ ์ œ๊ณตํ•ฉ๋‹ˆ๋‹ค.

์ตœ์‹  ๋ฒ„์ „ TabPFN-3.5๋Š” 2026๋…„ 9์›”์— ๋‚˜์™”๊ณ , ๊ธฐ์ˆ  ๋ณด๊ณ ์„œ๋Š” ์‹œ๊ฐ„ ์ˆœ์„œํ˜•๊ณผ ๊ทธ๋ฃนํ˜• ๋ฐ์ดํ„ฐ๋ฅผ ํฌํ•จํ•œ ์—ฌ๋Ÿฌ ์ฃผ์š” ๋ฒค์น˜๋งˆํฌ์—์„œ 1์œ„๋ฅผ ์ฃผ์žฅํ•ฉ๋‹ˆ๋‹ค. ์™ธ๋ถ€ ๊ฒ€์ฆ ์ „๊นŒ์ง€๋Š” ์ž์‚ฌ ์ˆ˜์น˜๋กœ ๋ณด๋Š” ๊ฒƒ์ด ์•ˆ์ „ํ•ฉ๋‹ˆ๋‹ค.

๋ผ์ด์„ ์Šค๋„ ์ฃผ์˜ํ•  ์ ์ž…๋‹ˆ๋‹ค. TabPFN-2๋Š” ์ถœ์ฒ˜ ํ‘œ๊ธฐ๋งŒ ํ•˜๋ฉด ์ƒ์—…์  ์‚ฌ์šฉ์ด ๊ฐ€๋Šฅํ•˜์ง€๋งŒ, 2.5~3.5 ๋ฒ„์ „์€ ๋น„์ƒ์—…์šฉ์ž…๋‹ˆ๋‹ค. ์ฆ‰, ๋ฌด๋ฃŒ๋กœ ์‹คํ—˜์€ ๊ฐ€๋Šฅํ•˜๋‚˜, ์‹ค์ œ ์ œํ’ˆ์— ์“ฐ๋ ค๋ฉด ์œ ๋ฃŒ ๋ผ์ด์„ ์Šค๊ฐ€ ํ•„์š”ํ•ฉ๋‹ˆ๋‹ค.

TabICLv2(Inria)

TabICLv2๋Š” ํ˜„์žฌ ์™„์ „ ๊ฐœ๋ฐฉํ˜•์œผ๋กœ๋Š” ๊ฐ€์žฅ ๋›ฐ์–ด๋‚œ ํ‘œํ˜• ๊ธฐ๋ฐ˜ ๋ชจ๋ธ์ž…๋‹ˆ๋‹ค. Inria์—์„œ ๊ฐœ๋ฐœ๋˜์–ด 2026๋…„ 2์›” ๊ณต๊ฐœ, ICML 2026์— ์ฑ„ํƒ๋˜์—ˆ์Šต๋‹ˆ๋‹ค.

TabICLv2 ๋…ผ๋ฌธ์˜ ํ•ต์‹ฌ ๊ฒฐ๊ณผ๋Š”, ์–ด๋–ค ํŠœ๋‹๋„ ์—†์ด, ์ด์ „ ์ตœ๊ณ  ๋ชจ๋ธ์ด์—ˆ๋˜ RealTabPFN-2.5(ํŠœ๋‹, ์•™์ƒ๋ธ”, ์‹ค๋ฐ์ดํ„ฐ ๋ฏธ์„ธ์กฐ์ •๊นŒ์ง€ ํ•œ ๋ชจ๋ธ)๋ฅผ ๋Šฅ๊ฐ€ํ–ˆ๋‹ค๋Š” ์ ์ž…๋‹ˆ๋‹ค.

GitHub ์ €์žฅ์†Œ์— ๋”ฐ๋ฅด๋ฉด, TabArena ๋ฒค์น˜๋งˆํฌ์—์„œ ๋Œ€๋Œ€์ ์œผ๋กœ ํŠœ๋‹ํ•œ XGBoost, CatBoost, LightGBM์„ ์•ฝ 80%์˜ ๋ฐ์ดํ„ฐ์…‹์—์„œ ์ด๊น๋‹ˆ๋‹ค.

์†๋„๋„ ๋น ๋ฆ…๋‹ˆ๋‹ค. H100 GPU์—์„œ 5๋งŒ ํ–‰, 100 ํŠน์ง•์„ 10์ดˆ ์ด๋‚ด์— ์ฒ˜๋ฆฌํ•˜๋ฉฐ, ์ด๋Š” TabPFN-2.5๋ณด๋‹ค ์•ฝ 10๋ฐฐ ๋น ๋ฆ…๋‹ˆ๋‹ค.

300~10๋งŒ ํ–‰์—์„œ ์ตœ์ ์œผ๋กœ ๋™์ž‘ํ•˜๊ณ , ์ •ํ™•๋„ ์†์‹ค์„ ๊ฐ์ˆ˜ํ•˜๋ฉด ์•ฝ 50๋งŒ ํ–‰๊นŒ์ง€ ํ™•์žฅํ•  ์ˆ˜ ์žˆ์Šต๋‹ˆ๋‹ค.

์ œ ์ƒ๊ฐ์—, ๋Œ€๋ถ€๋ถ„์˜ ๋…์ž์—๊ฒŒ ๊ฐ€์žฅ ๋จผ์ € ์จ ๋ณผ ๋งŒํ•œ ๋ชจ๋ธ์ž…๋‹ˆ๋‹ค.

pip install tabicl๋กœ ์„ค์น˜ํ•˜๊ณ , ์ผ๋ฐ˜ scikit-learn ๋ชจ๋ธ์ฒ˜๋Ÿผ ์“ฐ๋ฉด ๋˜๋ฉฐ, ๊ด€๋Œ€ํ•œ ๋ผ์ด์„ ์Šค๋กœ ๊ฐ€์ž… ์ ˆ์ฐจ ์—†์ด ์ƒ์—…์ ์œผ๋กœ๋„ ์‚ฌ์šฉํ•  ์ˆ˜ ์žˆ์Šต๋‹ˆ๋‹ค. ๋‹ค๋งŒ ๋ฆฌ๋”๋ณด๋“œ๋Š” ๋น ๋ฅด๊ฒŒ ๋ณ€ํ•˜๊ณ  ์žˆ์œผ๋ฉฐ, TabPFN-3.5์˜ ๋ณด๊ณ ์„œ๋Š” ํ˜„์žฌ TabICLv2๋ณด๋‹ค ์•ž์„ ๋‹ค๊ณ  ์žํ‰ํ•ฉ๋‹ˆ๋‹ค.

Google TabFM

TabFM์€ Google Research์˜ ํ‘œํ˜• ๊ธฐ๋ฐ˜ ๋ชจ๋ธ๋กœ, 2026๋…„ 6์›” 30์ผ ๊ณต๊ฐœ๋˜์—ˆ์Šต๋‹ˆ๋‹ค. ์ฐจ๋ณ„์ ์€ ์‚ฌ์šฉ ์œ„์น˜์ž…๋‹ˆ๋‹ค. Google์˜ ํด๋ผ์šฐ๋“œ ๋ฐ์ดํ„ฐ ์›จ์–ดํ•˜์šฐ์Šค์ธ BigQuery์— ๋‚ด์žฅ๋˜์–ด ์žˆ์–ด, ์ˆœ์ˆ˜ SQL๋งŒ์œผ๋กœ ์˜ˆ์ธก์„ ๋ฐ›์„ ์ˆ˜ ์žˆ์Šต๋‹ˆ๋‹ค.

-- Use past customers (with known churn) to predict churn for new customers
-- AI.PREDICT is in preview, so check the BigQuery docs for the latest syntax
SELECT *
FROM AI.PREDICT(
  TABLE my_dataset.customers_history,
  TABLE my_dataset.customers_new,
  label_col => 'churned'
);

Python๋ณด๋‹ค SQL์— ์ต์ˆ™ํ•œ ๋ถ„๋“ค๊ป˜ ํ›Œ๋ฅญํ•ฉ๋‹ˆ๋‹ค.

๋‹ค๋งŒ ํ˜„์žฌ BigQuery ๋ฌธ์„œ์—๋Š” ํŠน์ง• ์ปฌ๋Ÿผ 20๊ฐœ, ํด๋ž˜์Šค 10๊ฐœ ์ œํ•œ์ด ์žˆ๊ณ , 2026๋…„ 10์›” 30์ผ๋ถ€ํ„ฐ ํ‘œ์ค€ BigQuery ์š”๊ธˆ์— ํ† ํฐ ๊ธฐ๋ฐ˜ ๊ณผ๊ธˆ์ด ์ถ”๊ฐ€๋  ์˜ˆ์ •์ž…๋‹ˆ๋‹ค. Hugging Face์˜ ๋ชจ๋ธ ๊ฐ€์ค‘์น˜๋Š” ๋น„์ƒ์—…์šฉ์ด๋ฏ€๋กœ, ์ƒ์—…์  ์‚ฌ์šฉ์€ BigQuery๋ฅผ ํ†ตํ•ด ์ด๋ค„์ง‘๋‹ˆ๋‹ค.

Fundamental NEXUS

NEXUS๋Š” ์ „ DeepMind ์—ฐ๊ตฌ์›๋“ค์ด ์ฐฝ์—…ํ•œ ์ƒŒํ”„๋ž€์‹œ์Šค์ฝ” ์Šคํƒ€ํŠธ์—… Fundamental์˜ ํ์‡„ํ˜•, ์—”ํ„ฐํ”„๋ผ์ด์ฆˆ ์ „์šฉ ๋ชจ๋ธ์ž…๋‹ˆ๋‹ค. 2026๋…„ 2์›” 2์–ต 5,500๋งŒ ๋‹ฌ๋Ÿฌ ํˆฌ์ž์™€ ํ•จ๊ป˜ ์ถœ์‹œ๋˜์—ˆ๊ณ , ์ž์‚ฌ๋Š” ์ด๋ฅผ ๋Œ€ํ˜• ํ‘œํ˜• ๋ชจ๋ธ(LTM)์ด๋ผ ๋ถ€๋ฆ…๋‹ˆ๋‹ค.

๊ธฐ์—…์€ AWS๋ฅผ ํ†ตํ•ด NEXUS๋ฅผ ๊ตฌ๋งคยท์šด์˜ํ•˜๋ฉฐ, Fundamental์€ Fortune 100 ๊ธฐ์—…๋“ค์ด ์ด๋ฅผ ์ˆ˜์š” ์˜ˆ์ธก, ๊ฐ€๊ฒฉ ์ฑ…์ •, ์ดํƒˆ ์˜ˆ์ธก์— ์ด๋ฏธ ์‚ฌ์šฉ ์ค‘์ด๋ผ๊ณ  ๋ฐํž™๋‹ˆ๋‹ค. ๋‹ค๋งŒ ๊ณต๊ฐœ ๊ฐ€์ค‘์น˜๋‚˜ ์ž์ฒด ๊ฒ€์ฆ ๊ฐ€๋Šฅํ•œ ๋ฒค์น˜๋งˆํฌ ๊ฒฐ๊ณผ๊ฐ€ ์—†์œผ๋ฏ€๋กœ, ์—”ํ„ฐํ”„๋ผ์ด์ฆˆ ์˜ต์…˜์œผ๋กœ ๋ณด๋Š” ๊ฒƒ์ด ํƒ€๋‹นํ•ฉ๋‹ˆ๋‹ค.

H2O.ai tabH2O

tabH2O๋Š” H2O.ai์˜ ๋ชจ๋ธ๋กœ, ํ•ต์‹ฌ ์•„์ด๋””์–ด๋Š” ๋‹จ์ˆœํ•ฉ๋‹ˆ๋‹ค. ๋ฐ์ดํ„ฐ๋ฅผ ๋ณด๋‚ด๋ฉด, ์˜ˆ์ธก์„ ๋Œ๋ ค์ค€๋‹ค.

๊ฒฐ์ธก๊ฐ’๊ณผ ๋ฒ”์ฃผํ˜•์„ ์•Œ์•„์„œ ์ •๋ฆฌํ•ด ์ฃผ๋ฉฐ, ๋ณ‘์›ยท์€ํ–‰์ฒ˜๋Ÿผ ํด๋ผ์šฐ๋“œ๋กœ ๋ฐ์ดํ„ฐ๋ฅผ ๋ณด๋‚ผ ์ˆ˜ ์—†๋Š” ๊ธฐ๊ด€์„ ์œ„ํ•ด ์˜จํ”„๋ ˆ๋ฏธ์Šค ์‹คํ–‰๋„ ๊ฐ€๋Šฅํ•ฉ๋‹ˆ๋‹ค.

์ข‹์€ ์ ์€ tabH2O ๋…ผ๋ฌธ์ด ๊ณผ์žฅํ•˜์ง€ ์•Š๋Š”๋‹ค๋Š” ๊ฒƒ์ž…๋‹ˆ๋‹ค. TALENT ๋ฒค์น˜๋งˆํฌ์—์„œ ํŠœ๋‹ํ•œ CatBoost์™€ LightGBM์„ ์ด๊ฒผ์ง€๋งŒ, ์—ฌ์ „ํžˆ TabICLv2์—๋Š” ๋’ค์ฒ˜์กŒ์Šต๋‹ˆ๋‹ค.

ํ•ต์‹ฌ ๋ชจ๋ธ ์š”์•ฝ

๋ชจ๋ธ๊ฐœ๋ฐœ์‚ฌ๊ฐ€์ค‘์น˜ ๊ณต๊ฐœ?์ตœ๋Œ€ ๊ทœ๋ชจ๋ผ์ด์„ ์Šค์ ํ•ฉํ•œ ์šฉ๋„
TabPFN-2Prior Labs์˜ˆ10K ํ–‰์ถœ์ฒ˜ ํ‘œ๊ธฐ ์‹œ ์ƒ์—…์šฉ ๊ฐ€๋Šฅ๊ฒ€์ฆ๋œ ๊ตฌ๋ฒ„์ „์˜ ์ƒ์—…์  ํ™œ์šฉ
TabPFN-3 / 3.5Prior Labs (SAP)๋ผ์ด์„ ์Šค ์ˆ˜๋ฝ ํ›„ ๊ฐ€๋Šฅ์ตœ๋Œ€ 100๋งŒ ํ–‰๋น„์ƒ์—…์šฉ, ๋น„์ฆˆ๋‹ˆ์Šค์šฉ ์œ ๋ฃŒ API์ตœ์ƒ์œ„ ์ •ํ™•๋„์™€ ์—ฐ๊ตฌ
TabICLv2Inria์˜ˆ์ตœ๋Œ€ 10๋งŒ ํ–‰์—์„œ ์ตœ์ ๊ด€๋Œ€ํ•œ ์˜คํ”ˆ ์†Œ์Šค๊ธฐ๋ณธ ์‹œ์ž‘์ 
TabFMGoogle Research์˜ˆBigQuery์—์„œ 20 ํŠน์ง•๋น„์ƒ์—…์šฉ ๊ฐ€์ค‘์น˜BigQuery์˜ SQL ์‚ฌ์šฉ์ž
NEXUSFundamental์•„๋‹ˆ์˜ค๋ฏธ๊ณต๊ฐœ๋…์ AWS์˜ ๋Œ€๊ธฐ์—…
tabH2OH2O.ai์•„๋‹ˆ์˜ค๋ฏธ๊ณต๊ฐœ์ƒ์—…์šฉ APIML ํ™˜๊ฒฝ์ด ์—†๋Š” ํŒ€, AI ์—์ด์ „ํŠธ

Python์—์„œ ํ‘œํ˜• ๊ธฐ๋ฐ˜ ๋ชจ๋ธ์„ ์–ด๋–ป๊ฒŒ ์“ฐ๋‚˜?

ํ‘œํ˜• ๊ธฐ๋ฐ˜ ๋ชจ๋ธ์€ Python์—์„œ ๋‹ค๋ฅธ scikit-learn ๋ชจ๋ธ๊ณผ ์™„์ „ํžˆ ๋™์ผํ•˜๊ฒŒ ์‚ฌ์šฉํ•ฉ๋‹ˆ๋‹ค.

๋ฌด์—‡์ด ์žฅ์ ์ธ์ง€ ๋ณด๋ ค๋ฉด XGBoost์™€ ์ •๋ฉด ๋น„๊ตํ•˜๋Š” ๊ฒƒ์ด ๊ฐ€์žฅ ์ข‹์Šต๋‹ˆ๋‹ค. scikit-learn ๋‚ด์žฅ ์œ ๋ฐฉ์•” ๋ฐ์ดํ„ฐ์…‹์œผ๋กœ ํ•ด ๋ณด๊ฒ ์Šต๋‹ˆ๋‹ค.

๋จผ์ € ํŒจํ‚ค์ง€๋ฅผ ์„ค์น˜ํ•ฉ๋‹ˆ๋‹ค.

pip install tabicl xgboost scikit-learn

๊ทธ๋‹ค์Œ ๊ฐ™์€ ๋ถ„ํ• ์—์„œ ๋‘ ๋ชจ๋ธ์„ ์‹คํ–‰ํ•ฉ๋‹ˆ๋‹ค.

from sklearn.datasets import load_breast_cancer
from sklearn.metrics import accuracy_score
from sklearn.model_selection import train_test_split
from tabicl import TabICLClassifier
from xgboost import XGBClassifier

# Load a small tabular dataset as a pandas DataFrame
X, y = load_breast_cancer(return_X_y=True, as_frame=True)
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, stratify=y, random_state=42
)

# Tabular foundation model: fit() just stores the training rows
tfm = TabICLClassifier()
tfm.fit(X_train, y_train)
tfm_preds = tfm.predict(X_test)

# XGBoost baseline with reasonable, untuned settings
xgb = XGBClassifier(n_estimators=300, learning_rate=0.05, max_depth=4)
xgb.fit(X_train, y_train)
xgb_preds = xgb.predict(X_test)

print(f"TabICL accuracy:  {accuracy_score(y_test, tfm_preds):.3f}")
print(f"XGBoost accuracy: {accuracy_score(y_test, xgb_preds):.3f}")

์ด ์ž‘์€ ๋ฐ์ดํ„ฐ์…‹์€ ์ผ๋ฐ˜ ๋…ธํŠธ๋ถ CPU์—์„œ๋„ ์ž˜ ๋Œ์•„๊ฐ‘๋‹ˆ๋‹ค.

์ด์ฒ˜๋Ÿผ ๊นจ๋—ํ•œ ๋ฐ์ดํ„ฐ์—์„œ๋Š” ๋‘ ๋ชจ๋ธ ๋ชจ๋‘ ์ ์ˆ˜๊ฐ€ ๋งค์šฐ ๋†’๊ฒŒ ๋‚˜์˜ฌ ๊ฒƒ์ž…๋‹ˆ๋‹ค. ํ•œ ๋ฒˆ์˜ ๋ถ„ํ•  ๊ฒฐ๊ณผ๋กœ ํŒ๋‹จํ•˜์ง€ ๋งˆ์„ธ์š”. ์ง„์งœ ์‹œํ—˜๋Œ€๋Š” ์—ฌ๋Ÿฌ๋ถ„์˜ ์ง€์ €๋ถ„ํ•œ ์‹ค์ œ ๋ฐ์ดํ„ฐ์ž…๋‹ˆ๋‹ค.

๋Œ€์‹  TabPFN์„ ์จ ๋ณด๊ณ  ์‹ถ๋‹ค๋ฉด pip install tabpfn์„ ์‹คํ–‰ํ•œ ๋’ค, ๋‘ ์ค„๋งŒ ๋ฐ”๊พธ๋ฉด ๋ฉ๋‹ˆ๋‹ค.

from tabpfn import TabPFNClassifier

tfm = TabPFNClassifier()  # The first run asks you to accept the license
tfm.fit(X_train, y_train)
tfm_preds = tfm.predict(X_test)

์‹ค์ œ ๋ฐ์ดํ„ฐ์—์„œ ๋ชจ๋ธ์„ ๋น„๊ตํ•˜๊ธฐ ์ „ ๋ฐ˜๋“œ์‹œ ๊ธฐ์–ตํ•  ์ ์ด ํ•˜๋‚˜ ์žˆ์Šต๋‹ˆ๋‹ค.

๋ฐ์ดํ„ฐ์— ๋‚ ์งœ๊ฐ€ ์žˆ๋‹ค๋ฉด, ๋ฌด์ž‘์œ„๊ฐ€ ์•„๋‹ˆ๋ผ ์‹œ๊ฐ„ ๊ธฐ์ค€์œผ๋กœ ๋ถ„ํ• ํ•˜์„ธ์š”. ๊ทธ๋ ‡์ง€ ์•Š์œผ๋ฉด ๋ชจ๋ธ์ด ๋ฏธ๋ž˜๋ฅผ ์—ฟ๋ณด๊ฒŒ ๋ฉ๋‹ˆ๋‹ค. ๊ทธ๋ฆฌ๊ณ  ๋ฐ”๋กœ ๋‹ค์Œ ์„น์…˜์—์„œ ๋ณด๊ฒ ์ง€๋งŒ, ๊ทธ ์ง€์ ์ด ํ‘œํ˜• ๊ธฐ๋ฐ˜ ๋ชจ๋ธ์ด ์‹ค์ œ๋ณด๋‹ค ๋” ์ข‹์•„ ๋ณด์ด๋Š” ์ง€์ ์ž…๋‹ˆ๋‹ค.

ํ‘œํ˜• ๊ธฐ๋ฐ˜ ๋ชจ๋ธ์˜ ๊ฐ•์ ๊ณผ ์•ฝ์ 

ํ‘œํ˜• ๊ธฐ๋ฐ˜ ๋ชจ๋ธ์€ ๋ฐ์ดํ„ฐ์…‹์ด ์ž‘๊ฑฐ๋‚˜ ์ค‘๊ฐ„ ๊ทœ๋ชจ์ด๊ณ , ํ…Œ์ŠคํŠธ ํ–‰์ด ํ•™์Šต ํ–‰๊ณผ ์œ ์‚ฌํ•  ๋•Œ ์ž˜ ๋™์ž‘ํ•ฉ๋‹ˆ๋‹ค. ์‹œ๊ฐ„ ์ˆœ์„œํ˜• ๋ฐ์ดํ„ฐ, ๊ทธ๋ฃนํ˜• ๋ฐ์ดํ„ฐ, ๋งค์šฐ ํฐ ํ‘œ, ์—„๊ฒฉํ•œ ์„ค๋ช… ๊ฐ€๋Šฅ์„ฑ ์š”๊ตฌ์—์„œ๋Š” ์–ด๋ ค์›€์„ ๊ฒช์Šต๋‹ˆ๋‹ค.

โ€œํ…Œ์ŠคํŠธ ํ–‰์ด ํ•™์Šต ํ–‰๊ณผ ์œ ์‚ฌํ•˜๋‹คโ€๋Š” ๊ฐœ๋…์€ IID(๋…๋ฆฝ์ด๊ณ  ๋™์ผ ๋ถ„ํฌ)๋ผ๊ณ  ๋ถ€๋ฅด๋ฉฐ, ๋ฐ์ดํ„ฐ์—์„œ ๊ฐ€์žฅ ๋จผ์ € ํ™•์ธํ•ด์•ผ ํ•  ํ•ต์‹ฌ ์กฐ๊ฑด์ž…๋‹ˆ๋‹ค.

๋จผ์ € ์ž˜ ๋งž๋Š” ๊ฒฝ์šฐ๋ถ€ํ„ฐ ๋ณด๊ฒ ์Šต๋‹ˆ๋‹ค.

  • ์†Œ~์ค‘๊ฐ„ ๊ทœ๋ชจ ๋ฐ์ดํ„ฐ์…‹: ์ˆ˜๋ฐฑ ~ ์•ฝ 10๋งŒ ํ–‰์ด ์Šค์œ„ํŠธ ์Šคํฟ์ž…๋‹ˆ๋‹ค.
  • ์ง€์ €๋ถ„ํ•œ ๋ฐ์ดํ„ฐ: ๊ฒฐ์ธก๊ฐ’๊ณผ ๋ฒ”์ฃผํ˜• ์ปฌ๋Ÿผ์„ ์ž๋™์œผ๋กœ ์ฒ˜๋ฆฌํ•ฉ๋‹ˆ๋‹ค.
  • ๋น ๋ฅธ ์‹คํ—˜: ํŠน์ง• ์—”์ง€๋‹ˆ์–ด๋ง ์ฝ”๋“œ ์—†์ด๋„ ๋ช‡ ์ดˆ ๋งŒ์— ๊ฐ•ํ•œ ๊ฒฐ๊ณผ๋ฅผ ์–ป์Šต๋‹ˆ๋‹ค.
  • ML ํ™˜๊ฒฝ์ด ์—†๋Š” ๊ฒฝ์šฐ: BigQuery์˜ AI.PREDICT ๊ฐ™์€ ๋„๊ตฌ๋Š” ํ•™์Šต๊ณผ ๋ฐฐํฌ๋ฅผ ์™„์ „ํžˆ ์—†์•  ์ค๋‹ˆ๋‹ค.

์ด์ œ ์‹ค์ œ ํ”„๋กœ์ ํŠธ ๊ณ„ํš ์‹œ ๋” ์ค‘์š”ํ•  ์ˆ˜ ์žˆ๋Š” ํ•œ๊ณ„๋ฅผ ๋ณด๊ฒ ์Šต๋‹ˆ๋‹ค.

๋ฐ์ดํ„ฐ๊ฐ€ IID๋ผ๊ณ  ๊ฐ€์ •ํ•œ๋‹ค

2026๋…„ 6์›” ๊ณต๊ฐœ๋œ BeyondArena ๋ฒค์น˜๋งˆํฌ๋Š” ์‹œ๊ฐ„ ๊ธฐ์ค€ ๋ถ„ํ• (๊ณผ๊ฑฐ๋กœ ๋ฏธ๋ž˜ ์˜ˆ์ธก)๊ณผ ๊ทธ๋ฃน ๊ธฐ์ค€ ๋ถ„ํ• (์ƒˆ ๋ณ‘์›์ด๋‚˜ ๊ตญ๊ฐ€์— ๋Œ€ํ•œ ์˜ˆ์ธก)์„ ํฌํ•จํ•œ 142๊ฐœ ๋ฐ์ดํ„ฐ์…‹์—์„œ 11๊ฐœ ๋ชจ๋ธ์„ ํ…Œ์ŠคํŠธํ–ˆ์Šต๋‹ˆ๋‹ค.

๊ฒฐ๊ณผ๋Š” ํ‘œํ˜• ๊ธฐ๋ฐ˜ ๋ชจ๋ธ์ด ์ž‘๊ณ  ์ค‘๊ฐ„ ํฌ๊ธฐ์˜ IID ๋ฐ์ดํ„ฐ์—์„œ ๊ฐ€์žฅ ์„ฑ๊ณผ๊ฐ€ ์ข‹๊ณ , ์‹œ๊ฐ„ ์ˆœ์„œํ˜•ยท๊ทธ๋ฃนํ˜•ยท๋Œ€๊ทœ๋ชจยท์ดˆ๊ด‘๋Œ€์—ญ ๋ฐ์ดํ„ฐ์—์„œ๋Š” ํŠธ๋ฆฌ ๊ธฐ๋ฐ˜์ด๋‚˜ ๋‹ค๋ฅธ ๋”ฅ๋Ÿฌ๋‹ ๋ชจ๋ธ์ด ์•ž์„ ๋‹ค๋Š” ๊ฒƒ์ž…๋‹ˆ๋‹ค. ๋Œ€๋ถ€๋ถ„์˜ ๋น„์ฆˆ๋‹ˆ์Šค ๋ฐ์ดํ„ฐ(๋งค์ถœ, ์‚ฌ๊ธฐ, ์ดํƒˆ)๊ฐ€ ์‹œ๊ฐ„ ์ˆœ์„œํ˜•์ด๋ฏ€๋กœ, ์ด ํ•œ๊ณ„๋Š” ์‹ค์ œ ํ”„๋กœ์ ํŠธ์—์„œ ์ž์ฃผ ๋“œ๋Ÿฌ๋‚ฉ๋‹ˆ๋‹ค.

BeyondArena ์ดํ›„ ๊ณต๊ฐœ๋œ TabPFN-3.5๋Š” ์‹œ๊ฐ„ ์ˆœ์„œํ˜•๊ณผ ๊ทธ๋ฃนํ˜• ๋ฐ์ดํ„ฐ์—์„œ ์ด ๊ฒฉ์ฐจ๋ฅผ ์ขํ˜”๋‹ค๊ณ  ์ฃผ์žฅํ•ฉ๋‹ˆ๋‹ค. ๊ณ ๋ฌด์ ์ด์ง€๋งŒ, ์•„์ง ๋…๋ฆฝ์ ์ธ ๊ฒ€์ฆ์€ ์—†์Šต๋‹ˆ๋‹ค.

์„ค๋ช…์ด ๋” ์–ด๋ ต๋‹ค

TabICL๊ณผ TabPFN ๋ชจ๋‘์—์„œ SHAP ๊ฐ’์„ ๊ตฌํ•  ์ˆ˜ ์žˆ์ง€๋งŒ, ํŠธ๋ฆฌ ๋ชจ๋ธ์˜ SHAP๋ณด๋‹ค ํ›จ์”ฌ ์˜ค๋ž˜ ๊ฑธ๋ฆฌ๊ณ , ์‚ดํŽด๋ณผ ํŠธ๋ฆฌ ๋ถ„ํ• ๋„ ์—†์Šต๋‹ˆ๋‹ค. ๊ทœ์ œ๊ฐ€ ์žˆ์–ด ๋ชจ๋ธ์„ ์ดํ•ดํ•ด์•ผ ํ•˜๋Š” ์‹ ์šฉํ‰๊ฐ€ ๊ฐ™์€ ๋ถ„์•ผ์—์„œ๋Š” ์‹ค์ œ ๋ฌธ์ œ์ž…๋‹ˆ๋‹ค.

์˜ˆ์ธก ์‹œ ๋” ๋งŽ์€ ์—ฐ์‚ฐ์„ ์›ํ•œ๋‹ค

์ˆ˜์ฒœ ํ–‰์„ ๋„˜๊ธฐ๋ฉด GPU๊ฐ€ ์‚ฌ์‹ค์ƒ ํ•„์š”ํ•˜๊ณ , ํ•™์Šต ๋ฐ์ดํ„ฐ๊ฐ€ ํด์ˆ˜๋ก ์˜ˆ์ธก์ด ๋А๋ ค์ง‘๋‹ˆ๋‹ค. CPU์—์„œ์˜ ํ•™์Šต๋œ XGBoost ๋ชจ๋ธ์€ ์†๋„ ๋ฉด์—์„œ ์–ธ์ œ๋‚˜ ์Šน๋ฆฌํ•ฉ๋‹ˆ๋‹ค.

๋ผ์ด์„ ์Šค๊ฐ€ ์ œ๊ฐ๊ฐ์ด๋‹ค

TabPFN-2๋Š” ์ถœ์ฒ˜ ํ‘œ๊ธฐ๋ฅผ ์ „์ œ๋กœ ์ƒ์—…์šฉ ๊ฐ€๋Šฅ, ์ตœ์‹  TabPFN ๋ฒ„์ „์€ ๋น„์ƒ์—…์šฉ, TabFM ๊ฐ€์ค‘์น˜๋Š” ๋น„์ƒ์—…์šฉ, TabICLv2๋Š” ๊ด€๋Œ€ํ•ฉ๋‹ˆ๋‹ค.

BeyondArena ์ฐจํŠธ: ์ž‘์—… ์œ ํ˜•, ๋ฐ์ดํ„ฐ์…‹ ํฌ๊ธฐ, ์ฐจ์›, ํŠน์ง• ์œ ํ˜•๋ณ„ ๋ชจ๋ธ ๊ณ„์—ด์˜ Elo. ์ž‘์€ IID ๋ฐ์ดํ„ฐ์—์„œ๋Š” ํ‘œํ˜• ๊ธฐ๋ฐ˜ ๋ชจ๋ธ์ด ์„ ๋„ํ•˜๋‚˜, ์‹œ๊ฐ„ํ˜•/๋Œ€๊ทœ๋ชจ์—์„œ๋Š” ํ•˜๋ฝ.

๊ทธ๋ฆผ 3: ๋ชจ๋ธ ๊ณ„์—ด๋ณ„ Elo(๋†’์„์ˆ˜๋ก ์šฐ์ˆ˜). ํ‘œํ˜• ๊ธฐ๋ฐ˜ ๋ชจ๋ธ์€ ์ž‘์€ IID ๋ฐ์ดํ„ฐ์—์„œ ์„ ๋„ํ•˜์ง€๋งŒ, ์‹œ๊ฐ„ํ˜•๊ณผ ๋Œ€๊ทœ๋ชจ ๋ฐ์ดํ„ฐ์—์„œ๋Š” ํ•˜๋ฝํ•˜๋ฉฐ ํŠธ๋ฆฌ์™€ MLP๊ฐ€ ๋” ์ž˜ ๋ฒ„ํŒ๋‹ˆ๋‹ค. ํŒŒ๋ž€์ƒ‰์€ ์ตœ์‹  TabPFN์ด ์•„๋‹Œ TabICLv2, TabPFN-2.6, TabDPT ์ค‘ ์ตœ๊ณ ๋ฅผ ์˜๋ฏธํ•ฉ๋‹ˆ๋‹ค. ์ถœ์ฒ˜: Purucker ์™ธ, โ€œBeyond IID: How General Are Tabular Foundation Models, Really?โ€ (2026), CC BY 4.0.

๋ฐ”๋ผ๊ฑด๋Œ€, ํ‘œํ˜• ๊ธฐ๋ฐ˜ ๋ชจ๋ธ์ด โ€œ๋น ๋ฅด๊ณ  ์†์‰ฌ์šด ๊ธฐ์ค€์„ โ€์˜ ์ˆ˜์ค€์„ ํ•œ ๋‹จ๊ณ„ ๋Œ์–ด์˜ฌ๋ ธ๋‹ค๋Š” ์ ์—๋Š” ๋™์˜ํ•˜์‹ค ๊ฒ๋‹ˆ๋‹ค. ํ•˜์ง€๋งŒ ์—ฌ์ „ํžˆ ๋งŽ์€ ์‹ค์ œ ์ƒํ™ฉ์—์„œ ํŠธ๋ฆฌ ๊ธฐ๋ฐ˜ ๋ชจ๋ธ์ด ๋” ์ข‹์€ ์„ ํƒ์ž…๋‹ˆ๋‹ค.

์–ธ์ œ ํ‘œํ˜• ๊ธฐ๋ฐ˜ ๋ชจ๋ธ์„ ์จ์•ผ ํ•˜๋‚˜?

๋ฐ์ดํ„ฐ์…‹์ด ์ž‘๊ฑฐ๋‚˜ ์ค‘๊ฐ„ ๊ทœ๋ชจ์ด๊ณ  IID์ด๋ฉฐ, ์™„์ „ํ•œ ์„ค๋ช… ๊ฐ€๋Šฅ์„ฑ์ด๋‚˜ CPU์—์„œ์˜ ๋งค์šฐ ๋น ๋ฅธ ์˜ˆ์ธก์ด ํ•„์š”ํ•˜์ง€ ์•Š์„ ๋•Œ ํ‘œํ˜• ๊ธฐ๋ฐ˜ ๋ชจ๋ธ์„ ์‚ฌ์šฉํ•˜์„ธ์š”. ์ œ๊ฐ€ ๊ถŒํ•˜๋Š” ์˜์‚ฌ๊ฒฐ์ • ํ‘œ๋Š” ๋‹ค์Œ๊ณผ ๊ฐ™์Šต๋‹ˆ๋‹ค.

์‹œ๋‚˜๋ฆฌ์˜ค๊ถŒ์žฅ ์ ‘๊ทผ
1๋งŒ ํ–‰ ์ดํ•˜, IID, ์„ค๋ช… ํ•„์š” ์—†์ŒTabICLv2 ๋˜๋Š” TabPFN์œผ๋กœ ์‹œ์ž‘
1๋งŒ ~ 10๋งŒ ํ–‰, IIDTabICLv2์™€ XGBoost๋ฅผ ๋น„๊ตํ•ด ์Šน์ž๋ฅผ ์ฑ„ํƒ
10๋งŒ ~ 100๋งŒ ํ–‰XGBoost ๋˜๋Š” LightGBM์œผ๋กœ ์‹œ์ž‘, ๋„์ „์ž๋กœ TabPFN-3 ์‹œ๋„
์‹œ๊ฐ„ ๋˜๋Š” ๊ทธ๋ฃน ๊ธฐ์ค€ ๋ถ„ํ• ํŠธ๋ฆฌ ๊ธฐ๋ฐ˜ ๋ชจ๋ธ๋ถ€ํ„ฐ ์‹œ์ž‘
SHAP, ํŠน์ง• ์ค‘์š”๋„, ๊ฐ์‚ฌ๊ฐ€ ํ•„์š”SHAP์„ ๊ฐ–์ถ˜ ํŠธ๋ฆฌ ๊ธฐ๋ฐ˜ ๋ชจ๋ธ
GPU ์—†์ด ๋น ๋ฅธ ์˜ˆ์ธกํŠธ๋ฆฌ ๊ธฐ๋ฐ˜ ๋ชจ๋ธ
๋น ๋ฅธ PoC, ML ํ™˜๊ฒฝ ์—†์ŒTabICLv2, ๋˜๋Š” ๋ฐ์ดํ„ฐ๊ฐ€ ์ด๋ฏธ BigQuery์— ์žˆ๋‹ค๋ฉด AI.PREDICT
ํ‘œ์—์„œ ์˜ˆ์ธก์ด ํ•„์š”ํ•œ AI ์—์ด์ „ํŠธtabH2O๋‚˜ NEXUS ๊ฐ™์€ API

๋ชจ๋ธ์„ ๊ณ ๋ฅด๊ธฐ ์ „์—, ๋‹ค์Œ ์„ธ ๊ฐ€์ง€๋ฅผ ์ž๋ฌธํ•ด ๋ณด์„ธ์š”.

  1. ๋‚ด ๋ฐ์ดํ„ฐ๋Š” IID์ธ๊ฐ€? ํ–‰์ด ์‹œ๊ฐ„ ์ˆœ์„œ์ด๊ฑฐ๋‚˜ ๊ณ ๊ฐยท๋งค์žฅยทํ™˜์ž ๋“ฑ์œผ๋กœ ๊ทธ๋ฃนํ™”๋˜์–ด ์žˆ๋‹ค๋ฉด, ๋ฌด์ž‘์œ„ ๋ถ„ํ•  ๊ฒฐ๊ณผ์—๋Š” ์ฃผ์˜ํ•˜์„ธ์š”.
  2. ๋ชจ๋ธ์„ ์„ค๋ช…ํ•ด์•ผ ํ•˜๋Š”๊ฐ€? ๊ทœ์ œ๊ธฐ๊ด€์ด๋‚˜ ๊ด€๋ฆฌ์ž๊ฐ€ ๊ฐ์‚ฌ๋ฅผ ํ•ด์•ผ ํ•œ๋‹ค๋ฉด, ํŠธ๋ฆฌ๋ฅผ ๊ถŒํ•ฉ๋‹ˆ๋‹ค.
  3. ์˜ˆ์ธก ์†๋„ ์š”๊ตฌ๋Š” ์–ด๋–ค๊ฐ€? CPU์—์„œ ํ•˜๋ฃจ ์ˆ˜๋ฐฑ๋งŒ ๊ฑด์„ ์„œ๋น™ํ•œ๋‹ค๋ฉด, ํŠธ๋ฆฌ๊ฐ€ ๋” ๋น ๋ฅด๊ณ  ๋น„์šฉ ํšจ์œจ์ ์ž…๋‹ˆ๋‹ค.

๋งˆ์ง€๋ง‰์œผ๋กœ ๊ผญ ์ „ํ•˜๊ณ  ์‹ถ์€ ์ ์ด ์žˆ์Šต๋‹ˆ๋‹ค. ํ‘œํ˜• ๊ธฐ๋ฐ˜ ๋ชจ๋ธ์„ ๋จผ์ € ๋Œ๋ ค ๋ณด์„ธ์š”. ๋ช‡ ๋ถ„๋ฐ–์— ๋“ค์ง€ ์•Š์Šต๋‹ˆ๋‹ค. ๋งŒ์•ฝ ์—ฌ๋Ÿฌ๋ถ„์˜ ๋ฐ์ดํ„ฐ์—์„œ XGBoost๋ฅผ ์ด๊ธฐ์ง€ ๋ชปํ•œ๋‹ค๋ฉด, ์ด์ œ ํŠน์ง• ์—”์ง€๋‹ˆ์–ด๋ง๊ณผ XGBoost ํŠœ๋‹์— ์‹œ๊ฐ„์„ ์“ธ ๊ฐ€์น˜๊ฐ€ ์žˆ์Œ์„ ์•Œ๊ฒŒ ๋œ ๊ฒƒ์ž…๋‹ˆ๋‹ค.

๋งบ์Œ๋ง

๊ธ€์˜ ์„œ๋‘์— ๋“ฑ์žฅํ•œ ๋‘ ํ•™์ƒ์„ ๊ธฐ์–ตํ•˜์‹œ๋‚˜์š”? 2026๋…„, ์ˆ˜๋ฐฑ๋งŒ ๊ฐœ์˜ ์‹œํ—˜์„ ์—ฐ์Šตํ•œ ๋‘ ๋ฒˆ์งธ ํ•™์ƒ์ด, ์ ์–ด๋„ ์ž‘๊ณ  ์ค‘๊ฐ„ ๊ทœ๋ชจ์˜ ํ‘œ์—์„œ๋Š”, ๋ช‡ ์ฃผ๊ฐ„ ๊ณต๋ถ€ํ•œ ์ฒซ ๋ฒˆ์งธ ํ•™์ƒ์„ ๋งˆ์นจ๋‚ด ์ด๊ธฐ๊ฒŒ ๋˜์—ˆ์Šต๋‹ˆ๋‹ค.

ํ‘œํ˜• ๊ธฐ๋ฐ˜ ๋ชจ๋ธ์€ ๋ฐ์ดํ„ฐ์…‹๋ณ„ ํ•™์Šต์„ ์‚ฌ์ „ํ•™์Šต์œผ๋กœ, fit()์„ ์˜ˆ์ œ๋กœ๋ถ€ํ„ฐ์˜ ํ•™์Šต์œผ๋กœ ๋Œ€์ฒดํ•ฉ๋‹ˆ๋‹ค.

๊ฐ€์žฅ ๋†€๋ผ์šด ์ ์€ ์ด ์˜์—ญ์ด ์–ผ๋งˆ๋‚˜ ๋นจ๋ฆฌ ๋ฐœ์ „ํ–ˆ๋Š”๊ฐ€์ž…๋‹ˆ๋‹ค. 2025๋…„ TabPFN-2๊ฐ€ ์ž‘์€ ํ‘œ์—์„œ ํŠœ๋‹ํ•œ ํŠธ๋ฆฌ๋ฅผ ์ด๊ธธ ์ˆ˜ ์žˆ์Œ์„ ์ฒ˜์Œ ๋ณด์˜€๊ณ , ์ดํ›„ TabICLv2์™€ TabPFN-3๊ฐ€ ๊ทธ ํ•œ๊ณ„๋ฅผ ํ›จ์”ฌ ๋” ํฐ ํ‘œ๋กœ ๋ฐ€์–ด ์˜ฌ๋ ธ์Šต๋‹ˆ๋‹ค.

ํ˜„์žฌ์˜ ์—ด๋ฆฐ ๊ณผ์ œ๋Š” ์‹œ๊ฐ„ ์ˆœ์„œํ˜• ๋ฐ์ดํ„ฐ, ๋ณ€ํ™”ํ•˜๋Š” ๋ฐ์ดํ„ฐ, ์„ค๋ช… ๊ฐ€๋Šฅ์„ฑ, ๋ผ์ด์„ ์Šค์ž…๋‹ˆ๋‹ค. ์ด๋Š” ๋ชจ๋ธ์ด ์‹ค์ œ ์ œํ’ˆ์— ๋“ค์–ด๊ฐˆ ์ˆ˜ ์žˆ๋Š”์ง€๋ฅผ ์ขŒ์šฐํ•˜๋Š” ์š”์†Œ์ด๊ธฐ๋„ ํ•ฉ๋‹ˆ๋‹ค.

๋”ฐ๋ผ์„œ ์ œ ์กฐ์–ธ์€ ์ด๋ ‡์Šต๋‹ˆ๋‹ค. ์ด ๋ชจ๋ธ๋“ค์„ ์ƒˆ๋กœ์šด ์ถœ๋ฐœ์ ์œผ๋กœ ์‚ผ๊ณ , ๋ฐ์ดํ„ฐ, ์ œ์•ฝ, ๋ชจ๋ธ์ด ์‹คํ–‰๋  ํ™˜๊ฒฝ์— ๋งž์ถฐ ์ตœ์ข… ๋„๊ตฌ๋ฅผ ๊ณ ๋ฅด์„ธ์š”.

๊ทธ๋ฆฌ๊ณ  ์—ฌ์ „ํžˆ ๋งŽ์€ ์‹ค์ œ ์ƒํ™ฉ์—์„œ ์Šน๋ฆฌํ•˜๋Š” ํŠธ๋ฆฌ ๊ธฐ๋ฐ˜ ๋ชจ๋ธ์„ ๋งˆ์Šคํ„ฐํ•˜๊ณ  ์‹ถ๋‹ค๋ฉด, Machine Learning with Tree-Based Models in Python ์ฝ”์Šค์™€ Supervised Machine Learning in Python ํŠธ๋ž™์„ ํ™•์ธํ•˜์„ธ์š”. R์„ ์‚ฌ์šฉํ•œ๋‹ค๋ฉด, Machine Learning with Tree-Based Models in R์—์„œ ๋™์ผ ์ฃผ์ œ๋ฅผ ๋‹ค๋ฃน๋‹ˆ๋‹ค.

ํ‘œํ˜• ๊ธฐ๋ฐ˜ ๋ชจ๋ธ ์ž์ฃผ ๋ฌป๋Š” ์งˆ๋ฌธ

ํ‘œํ˜• ๊ธฐ๋ฐ˜ ๋ชจ๋ธ์ด๋ž€ ๋ฌด์—‡์ธ๊ฐ€์š”?

์ˆ˜๋ฐฑ๋งŒ ๊ฐœ์˜ ํ•ฉ์„ฑ ํ‘œ๋กœ ์‚ฌ์ „ํ•™์Šต๋œ ์‹ ๊ฒฝ๋ง์ž…๋‹ˆ๋‹ค. TabPFN, TabICLv2, Google์˜ TabFM์ฒ˜๋Ÿผ, ๋ณ„๋„ ํ•™์Šต ์—†์ด๋„ ์—ฌ๋Ÿฌ๋ถ„์˜ ๋ฐ์ดํ„ฐ์…‹์—์„œ ์˜ˆ์ธกํ•ฉ๋‹ˆ๋‹ค.

TabPFN์€ XGBoost์™€ ์–ด๋–ป๊ฒŒ ๋‹ค๋ฅธ๊ฐ€์š”?

XGBoost๋Š” ๋ฐ์ดํ„ฐ์…‹๋งˆ๋‹ค ์ƒˆ ๋ชจ๋ธ์„ ํ•™์Šตํ•ฉ๋‹ˆ๋‹ค. TabPFN์€ ํ•œ ๋ฒˆ ์‚ฌ์ „ํ•™์Šต๋˜์–ด, ์˜ˆ์ธก ์‹œ ์—ฌ๋Ÿฌ๋ถ„์˜ ํ–‰์„ ์˜ˆ์ œ๋กœ ์ฝ์Šต๋‹ˆ๋‹ค. ๋”ฐ๋ผ์„œ ๋ณ„๋„ ํ•™์Šต ๋‹จ๊ณ„๋Š” ์—†์ง€๋งŒ, ์˜ˆ์ธก์€ ๋” ๋А๋ฆฝ๋‹ˆ๋‹ค.

์ธ๊ธฐ ํ‘œํ˜• ๊ธฐ๋ฐ˜ ๋ชจ๋ธ์„ ์‹คํ–‰ํ•˜๋ ค๋ฉด GPU๊ฐ€ ํ•„์š”ํ•œ๊ฐ€์š”?

์ธ๊ธฐ ํ‘œํ˜• ๊ธฐ๋ฐ˜ ๋ชจ๋ธ์„ ์‹คํ–‰ํ•˜๋ ค๋ฉด GPU๊ฐ€ ํ•„์š”ํ•œ๊ฐ€์š”?

ํ‘œํ˜• ๊ธฐ๋ฐ˜ ๋ชจ๋ธ์„ ์ƒ์—…์ ์œผ๋กœ ์‚ฌ์šฉํ•  ์ˆ˜ ์žˆ๋‚˜์š”?

๋ชจ๋ธ๊ณผ ๋ฒ„์ „์— ๋”ฐ๋ผ ๋‹ค๋ฆ…๋‹ˆ๋‹ค. TabICLv2๋Š” ๊ด€๋Œ€ํ•ฉ๋‹ˆ๋‹ค. TabPFN-2๋Š” ์ถœ์ฒ˜ ํ‘œ๊ธฐ๊ฐ€ ํ•„์š”ํ•˜๊ณ , ์ตœ์‹  TabPFN ๋ฒ„์ „๊ณผ TabFM ๊ฐ€์ค‘์น˜๋Š” ๋น„์ƒ์—…์šฉ์ž…๋‹ˆ๋‹ค.

ํ‘œํ˜• ๊ธฐ๋ฐ˜ ๋ชจ๋ธ์€ ๊ฒฐ์ธก๊ฐ’๊ณผ ๋ฒ”์ฃผํ˜• ์ปฌ๋Ÿผ์„ ์ฒ˜๋ฆฌํ•˜๋‚˜์š”?

๊ฐ€๋Šฅํ•ฉ๋‹ˆ๋‹ค. TabPFN๊ณผ TabICL์€ ์ถ”๊ฐ€ ์ •์ œ ์—†์ด ๋‘˜ ๋‹ค ์ฒ˜๋ฆฌํ•ฉ๋‹ˆ๋‹ค. ์ฒซ ์‹คํ–‰์—์„œ๋Š” ๋Œ€์น˜๋‚˜ ์›-ํ•ซ ์ธ์ฝ”๋”ฉ์„ ์ƒ๋žตํ•ด๋„ ๋ฉ๋‹ˆ๋‹ค.

์ฃผ์ œ