Команда Renmin University открыла TabClustPFN: кластеры из таблицы за один проход

Исследователи из Renmin University и партнёрских команд опубликовали в открытом доступе TabClustPFN, предобученную модель для кластеризации табличных данных. На вход она получает таблицу без меток, а на выходе за один прямой проход нейросети выдаёт разбиение строк на группы. Заодно модель показывает, насколько она уверена в самом числе групп. Для задачи, где без ручной настройки обычно не обойтись, это заметный шаг к формату «загрузил и получил результат».

Сколько групп в клиентской базе

Пример из описания проекта знаком любому аналитику. Есть таблица клиентов. Одни покупают часто, но на маленькие суммы. Другие месяцами не появляются, а потом приносят крупный заказ. Таблица хранит эти привычки в числах, но не говорит, на какие типы они делятся и сколько этих типов.

Классические инструменты вроде k-means, гауссовых смесей или DBSCAN требуют решений до запуска. Нужно задать число кластеров или радиус соседства, подобрать масштабирование признаков и прогнать несколько вариантов. Потом результаты сравнивают метриками вроде силуэта и глазами. На каждом новом датасете цикл начинается заново. TabClustPFN пытается убрать этот цикл.

Один прямой проход вместо подбора параметров

Название отсылает к семейству PFN, моделей с обучением на широком спектре задач. После такой подготовки сеть решает новую задачу «в контексте»: ей показывают данные, а градиентное обучение под них не запускается. Для кластеризации это означает, что вся работа укладывается в один инференс. Ни итераций, ни перезапусков с разными инициализациями, ни отдельной процедуры выбора числа групп.

Отдельного внимания заслуживает оценка неопределённости. Число кластеров почти всегда спорно: в тех же клиентских данных можно увидеть три сегмента, а можно пять, если разделить крупные группы. Обычный алгоритм выдаёт один вариант и делает вид, что вопроса нет. Модель, которая говорит «скорее три, но четыре тоже правдоподобно», даёт аналитику основу для решения.

Основные параметры релиза:

• разработчики: команда Renmin University и партнёры;
• вход: таблица без разметки;
• выход: разбиение строк на группы и оценка уверенности в числе кластеров;
• инференс: один прямой проход без обучения под конкретный датасет;
• доступность: открытый код.

Что проверить перед использованием

Главный практический плюс в скорости. Если сегментацию нужно сделать по десяткам таблиц, например по клиентам разных магазинов, по логам разных сервисов или по пробам из разных экспериментов, единый предобученный инференс экономит часы работы. Ещё одно преимущество в том, что неопределённость сразу видна, и не нужно городить для неё отдельную процедуру.

Проверять модель стоит на собственных данных. Первым делом сравните её с k-means и гауссовыми смесями на таблице, где у вас уже есть представление о правильных группах. Стоит посмотреть, как она ведёт себя при росте числа строк и признаков, справляется ли с категориальными колонками и пропусками и насколько устойчиво разбиение при перемешивании строк. Также полезно выяснить, не выдаёт ли модель завышенную уверенность на шумных данных, где настоящих групп нет вовсе.

Открытый код делает такую проверку доступной любому. Если TabClustPFN подтвердит качество на разнородных таблицах, кластеризация сможет пойти тем же путём, что и табличная классификация. Там предобученные модели уже вытесняют ручной подбор гиперпараметров на небольших и средних данных.