L'équipe de Renmin University ouvre le code de TabClustPFN : des clusters à partir d'une table en une seule passe

Des chercheurs de Renmin University et d'équipes partenaires ont publié en accès libre TabClustPFN, un modèle préentraîné pour le clustering de données tabulaires. Il reçoit en entrée une table sans étiquettes et, en une seule passe avant du réseau de neurones, renvoie un partitionnement des lignes en groupes. Le modèle indique en outre son degré de confiance dans le nombre de groupes lui-même. Pour une tâche où l'on peut rarement se passer d'un réglage manuel, c'est un pas notable vers le format « on charge, on obtient le résultat ».

Combien de groupes dans une base clients

L'exemple tiré de la description du projet parlera à n'importe quel analyste. Prenez une table de clients. Les uns achètent souvent, mais pour de petits montants. Les autres disparaissent pendant des mois, puis passent une grosse commande. La table consigne ces habitudes sous forme de chiffres, mais ne dit pas en quels types les clients se répartissent, ni combien il y a de types.

Les outils classiques comme k-means, les mélanges gaussiens ou DBSCAN exigent des décisions avant le lancement. Il faut fixer le nombre de clusters ou le rayon de voisinage, choisir la mise à l'échelle des variables et tester plusieurs configurations. Les résultats sont ensuite comparés avec des métriques comme le coefficient de silhouette, et à l'œil. À chaque nouveau jeu de données, le cycle recommence. TabClustPFN cherche à supprimer ce cycle.

Une seule passe avant au lieu d'un réglage de paramètres

Le nom renvoie à la famille PFN, des modèles entraînés sur un large éventail de tâches. Après cette préparation, le réseau résout une nouvelle tâche « en contexte » : on lui présente les données, sans lancer d'apprentissage par gradient sur celles-ci. Pour le clustering, cela signifie que tout le travail tient en une seule inférence. Pas d'itérations, pas de relances avec différentes initialisations, pas de procédure distincte pour choisir le nombre de groupes.

L'estimation de l'incertitude mérite une attention particulière. Le nombre de clusters est presque toujours discutable : dans les mêmes données clients, on peut distinguer trois segments, ou cinq si l'on scinde les grands groupes. Un algorithme classique fournit une seule option et fait comme si la question ne se posait pas. Un modèle qui dit « plutôt trois, mais quatre est aussi plausible » donne à l'analyste une base pour décider.

Principaux paramètres de la publication :

• développeurs : l'équipe de Renmin University et ses partenaires ;
• entrée : une table sans annotations ;
• sortie : un partitionnement des lignes en groupes et une estimation de la confiance dans le nombre de clusters ;
• inférence : une seule passe avant, sans entraînement sur le jeu de données concerné ;
• disponibilité : code ouvert.

Ce qu'il faut vérifier avant de l'utiliser

Le principal avantage pratique, c'est la vitesse. Si la segmentation doit porter sur des dizaines de tables, par exemple les clients de différentes boutiques, les logs de différents services ou les échantillons de différentes expériences, une inférence unique avec un modèle préentraîné fait gagner des heures de travail. Autre atout : l'incertitude est visible d'emblée, sans avoir à bricoler une procédure dédiée.

Il vaut mieux tester le modèle sur vos propres données. Commencez par le comparer à k-means et aux mélanges gaussiens sur une table pour laquelle vous avez déjà une idée des groupes corrects. Il faut observer son comportement quand le nombre de lignes et de variables augmente, voir s'il gère les colonnes catégorielles et les valeurs manquantes, et mesurer la stabilité du partitionnement lorsque l'on mélange les lignes. Il est également utile de vérifier que le modèle n'affiche pas une confiance excessive sur des données bruitées, où il n'existe aucun vrai groupe.

Le code ouvert rend ce test accessible à tous. Si TabClustPFN confirme sa qualité sur des tables hétérogènes, le clustering pourrait suivre la même voie que la classification tabulaire. Dans ce domaine, les modèles préentraînés supplantent déjà le réglage manuel des hyperparamètres sur les données de taille petite et moyenne.