NVIDIA Kumo Tabular: новый уровень точности и эффективности для табличных предсказаний
NVIDIA представила Kumo Tabular – открытый фреймворк, ускоряющий обучение табличных моделей в 2‑3× и повышающий точность на 5‑10% на популярных наборах данных.
Что такое NVIDIA Kumo Tabular?
Kumo Tabular – это открытый фреймворк от NVIDIA, построенный на базе Hugging Face Transformers и оптимизированный под GPU. Он объединяет новейшие архитектуры (TabNet, FT‑Transformer, LightGBM‑GPU) и автоматический подбор гиперпараметров, позволяя разработчикам быстро создавать высокоточные модели для табличных задач.
Ключевые особенности
- GPU‑ускорение: благодаря кастомным ядрам CUDA и библиотеке cuDF, обучение и инференс ускоряются в 2‑3 раз по сравнению с CPU‑решениями.
- Повышенная точность: на бенчмарках Adult, Higgs и Criteo Kumo Tabular демонстрирует прирост точности от 5 % до 10 % при одинаковой конфигурации модели.
- Интеграция с Hugging Face Hub: модели и пайплайны публикуются в репозитории Hugging Face, поддерживается
transformers‑pipeline для табличных данных. - AutoML‑модуль: автоматический поиск архитектур и гиперпараметров, совместимый с
optunaиray[tune]. - Поддержка PyTorch и TensorFlow: гибкая работа в обеих экосистемах, возможность экспорта в ONNX для продакшн‑развёртывания.
Показатели производительности
| Набор данных | Точность (baseline) | Точность (Kumo) | Ускорение | |--------------|--------------------|----------------|----------| | Adult | 84.2 % | 89.1 % | 2.5× | | Higgs | 71.5 % | 78.3 % | 3.0× | | Criteo | 78.0 % | 84.5 % | 2.2× |
Как начать?
Код доступен на GitHub: https://github.com/NVIDIA/Kumo-Tabular. Установка одной командой pip install kumo-tabular. Примеры ноутбуков находятся в Hugging Face Hub под тегом #kumo-tabular.
Что дальше?
NVIDIA объявила о планах добавить поддержку распределённого обучения и интеграцию с NVIDIA Merlin для рекомендационных систем. Ожидается регулярный выпуск новых моделей‑backbones.
Источник: Hugging Face Blog – NVIDIA Kumo Tabular
Для разработчиков и студентов Kumo Tabular упрощает создание быстрых и точных табличных моделей без глубоких знаний CUDA. Это открывает возможности для экспериментов с большими датасетами, но требует доступа к GPU, поэтому стоит учитывать стоимость вычислений.
