【论文阅读—深度学习处理表格数据】ResNet-like FT Transformer

[2106.11959] Revisiting Deep Learning Models for Tabular Data（论文链接）

https://github.com/yandex-research/tabular-dl-revisiting-models（代码链接）

这篇论文主要讲的是：

• 现在很多研究人员提出了各种新的深度学习方法来处理表格数据（像 Excel 里的那种数据）。

• 这些方法都说自己效果不错，但问题是：大家用的实验数据集和测试方法都不一样，所以根本没法直接比较，谁更好也不清楚。

• 此外，目前还缺少一些“简单又好用”的基准模型（baseline），让别人能方便地拿来对比。

于是，作者做了两件事：

1. 总结梳理了现有的主要深度学习方法，看看它们的思路和优缺点。

2. 提出了两个简单但效果很强的模型：

   • 第一个是类似 ResNet 的结构（在图像识别里很常见），结果发现它在表格数据上也能作为一个强有力的基线模型。

   • 第二个是稍微改造过的 Transformer，用来处理表格数据，效果比很多其他模型都好。

他们用统一的实验流程，把这些模型在很多任务上做了公平比较。最后还把深度学习模型和“梯度提升树”（一种传统但很强的机器学习方法，比如 XGBoost）做对比，结论是：
👉 目前还没有一个方法能在所有情况下一直是最优的。

Introduction

研究背景

• 深度学习在图像、语音、文本等领域非常成功，所以大家很想把它用到表格数据上（比如工业生产里的传感器数据、金融数据、医疗数据、比赛里的数据表）。

• 在表格数据任务里，深度学习的主要对手是 梯度提升决策树（GBDT，比如 XGBoost、LightGBM、CatBoost），它们已经很强大了。

• 如果深度学习能在表格数据上表现好，还有一个额外的好处：它可以和图像、语音等数据结合，做成“多模态”的端到端模型，用梯度优化一起训练，非常方便。

目前的问题

• 已经有很多研究提出了新的深度学习模型来处理表格数据，但大家用的数据集和实验流程都不一样。

• 这就导致：

  • 论文之间没法公平比较，不知道到底哪个模型更好。

  • 也不清楚深度学习是否真的比 GBDT 更强。

• 此外，虽然模型很多，但还缺少一些 既简单又稳定的“基准模型”，能让大家更容易对比和复现。现在大家常用的 MLP（多层感知机）太弱，根本挑战不到其他模型。

作者的思路

• 他们怀疑：其实一些在图像和 NLP 里已经验证过的经典深度学习模块，在表格任务上可能被忽视了。

• 所以，他们尝试把这些“成熟的架构”改造一下用在表格数据上，结果提出了两个简单的模型：

  • ResNet-like（残差网络的变体）

  • FT-Transformer（他们改造过的 Transformer）

论文主要贡献

• 系统地评估了各种表格数据的深度学习模型。

• 发现 ResNet-like 是一个很强的基线，推荐以后大家用它做比较。

• 提出了 FT-Transformer，一个简单但强大的新方案。

• 最后确认，目前没有任何模型能在所有任务上完全超越 GBDT。

Related work

传统方法：决策树集成（GBDT）

目前在表格数据任务里，GBDT（梯度提升树） 是最常用、最强的“浅层”方法。有三个非常流行的库：XGBoost、LightGBM、CatBoost，它们在细节上有区别，但在大多数任务上性能差不多。所以，GBDT 一直是机器学习比赛和工业界的首选。

深度学习方法：主要有三大类

可微分的树

传统的树模型不能通过梯度下降训练（因为分裂是“硬”的，没法求导）。有些研究者就把树的分裂函数“平滑化”，让树也能用梯度优化，方便和深度学习结合。这些方法在部分任务上能超过 GBDT，但作者的实验发现，它们并不比一个调好参数的 ResNet 稳定。

基于注意力的模型

因为注意力机制（Transformer）在图像、文本等领域大获成功，有人也尝试把它用在表格数据上。结果表明：虽然一些注意力模型表现还行，但经过精调的 ResNet 依然更强。不过，作者提出了一种更合适的 Transformer 改造版本（FT-Transformer），在大多数任务上超过了 ResNet。

显示建模特征交叉

在推荐系统和点击率预测中，很多人批评 MLP（多层感知机），因为它不擅长表达特征之间的“乘积关系”（比如“年龄 × 收入”这种交互）。有些工作尝试在 MLP 里加上“特征乘积”的模块。但作者的实验发现，这些方法并不比调好的基线模型更好。

其他杂项模型

还有一些方法不能明确归类到上面三类，比如一些比较特殊的架构设计，但效果也没有形成统一结论。

Models for tabular data

研究目标

找出简单但好用的深度学习基线模型，而不是复杂又难调的架构。尽量使用大家熟悉的深度学习“积木”（比如 MLP、ResNet、Transformer）来搭建模型。这样模型更容易理解、实现，也更容易调出好结果。

统一任务设定

数据集包含数值型特征（numerical）和类别型特征（categorical）。数据被分成 训练集（train）、验证集（val）、测试集（test）。任务分为三类：二分类、多分类和回归。

三种主要模型

MLP（多层感知机）

• 最基础的深度学习模型。

• 结构：线性层 → ReLU → Dropout → 线性层 → … → 输出。

• 简单易用，但在表格数据任务里，往往不是最优解。

ResNet（残差网络改造版）

• 原本 ResNet 在图像识别很成功（解决了“深层网络难训练”的问题）。

• 作者尝试在表格数据上用一个简化版 ResNet。

• 核心思想：在每一层里，加一个“捷径连接”（skip connection），让输入可以直接绕过部分计算流向输出。

• 这样有助于训练，能学到更深层次的特征。

• 作者认为它会比 MLP 更适合一些需要“深层表达”的任务，其实就是在原来MLP的基础上加上残差链接。

FT-Transformer（特征标记器 + Transformer）

• 这是作者的创新点。

• 步骤：

  1. 把每个特征（数值/类别）先转换成embedding（向量表示）。

  2. 让 Transformer 模型处理这些特征向量（像处理句子里的词一样）。

  3. 最后用 [CLS] token 的输出作为整体表示，再做预测。

• 好处：Transformer 的自注意力机制可以自动学到特征之间的关系，特别适合表格这种“混合信息”的数据。

• 作者发现，这个方法在多数任务上能超过 ResNet。

Experiments

作者想回答两个核心问题：

1. 不同的深度学习（DL）架构在表格数据上的真实表现差别有多大？

2. 和传统的梯度提升树（GBDT，例如 XGBoost、CatBoost）相比，DL 模型到底有没有优势？

数据集和实验

我们使用了11 个多样化的公开数据集（详细描述见附录）。对于每个数据集，都只有一个固定的训练集–验证集–测试集划分，因此所有算法都使用相同的划分。

这些数据集包括：

• California Housing (CA)：房价预测（房地产数据，Kelley Pace 和 Barry, 1997）

• Adult (AD)：收入预测（Kohavi, 1996）

• Helena (HE)：匿名数据集（Guyon 等, 2019）

• Jannis (JA)：匿名数据集（Guyon 等, 2019）

• Higgs (HI)：模拟的物理粒子数据（Baldi 等, 2014；使用 OpenML 上的 98K 样本版本，Vanschoren 等, 2014）

• ALOI (AL)：图像数据（Geusebroek 等, 2005）

• Epsilon (EP)：模拟物理实验数据

• Year (YE)：音频特征数据（Bertin-Mahieux 等, 2011）

• Covertype (CO)：森林特征数据（Blackard 和 Dean, 2000）

• Yahoo (YA)：搜索查询数据（Chapelle 和 Chang, 2011）

• Microsoft (MI)：搜索查询数据（Qin 和 Liu, 2013）

在学习排序（learning-to-rank）任务上，我们采用逐点(pointwise)方法，并把 Microsoft 和 Yahoo 的排序问题视为回归问题来处理。

实验结果（简单总结）

1. MLP 依然能打：普通的多层感知机（MLP）经过认真调参，表现不差，是很好的基线。

2. ResNet-like 很强：在 MLP 上加残差连接，效果显著提升，变成一个强力的 baseline。

3. FT-Transformer 最稳：改造过的 Transformer（FT-T）在大多数任务上表现最好，而且在各种数据集上都很稳定。

4. NODE（树状神经网络）也不错，但结构复杂，而且在很多数据集上还是比不过 ResNet。

5. 集成（Ensemble）有效果：把多个模型预测结果平均，性能更强；ResNet 和 FT-Transformer 的提升尤其明显。

Analysis

FT-Transformer 什么时候比 ResNet 更好？

作者做了一个合成实验：

• 构造一些虚拟任务，把目标值设计成 一部分像 GBDT 容易拟合的函数（fGBDT），另一部分像 深度学习模型容易拟合的函数（fDL）。

• 用一个参数 α 来控制这两部分的比例。

结果：

• 在更偏向 ResNet 友好的任务上（fDL 占主导），ResNet 和 FT-Transformer 表现差不多，都比 CatBoost 强。

• 但当任务更接近 GBDT 风格时，ResNet 的性能掉下去了，而 FT-Transformer 依然稳健。

结论：FT-Transformer 更“万能”，既能处理 DL 友好的任务，也能处理 GBDT 擅长的任务，而 ResNet 更挑剔。

Ablation Study（消融实验）

作者测试了 FT-Transformer 的一些设计细节到底有没有用：

和 AutoInt 的比较

• AutoInt 也是基于注意力的模型，但细节设计和 Transformer 不一样。

• 实验表明：FT-Transformer 的主干（标准 Transformer 结构）更强，整体优于 AutoInt。

Feature biases（特征偏置项）有没有必要？

• FT-Transformer 在 embedding 层里为每个特征加了一个偏置（bias）。

• 去掉偏置再跑实验 → 性能下降。

• 说明偏置设计是有帮助的。

从注意力图获取特征重要性

作者提出用 Transformer 的注意力图（attention maps） 来解释模型：

• 计算 [CLS] token 的注意力分布 → 得到每个特征的重要性分数。

• 优点：很高效，只要一次前向传播就能得到。

对比方法：

• Integrated Gradients (IG)：通用但很慢。

• Permutation Test (PT)：可靠但要做很多次前向传播（特征数 + 1）。

实验结果：

• 注意力图方法（AM）的特征重要性和 PT 的排名高度相关，效果和 IG 差不多。

• 但效率远高于 IG 和 PT。

结论：用注意力图来解释 FT-Transformer 的特征重要性，是一种 便宜又有效的可解释性方法。

加载FT-Transformer处理表格数据

import torch
import torch.nn as nn
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler, LabelEncoder
from torch.utils.data import Dataset, DataLoader
from rtdl_revisiting_models import FTTransformer  # 注意要安装 rtdl-revisiting# ========= 1. 加载数据 =========
url = "https://archive.ics.uci.edu/ml/machine-learning-databases/adult/adult.data"
columns = ["age", "workclass", "fnlwgt", "education", "education-num","marital-status", "occupation", "relationship", "race", "sex","capital-gain", "capital-loss", "hours-per-week", "native-country", "income"
]
df = pd.read_csv(url, names=columns, sep=",", skipinitialspace=True)# ========= 2. 预处理 =========
# 标签：>50K / <=50K
df["income"] = LabelEncoder().fit_transform(df["income"])  # <=50K=0, >50K=1# 数值特征 / 类别特征
num_features = ["age", "fnlwgt", "education-num", "capital-gain", "capital-loss", "hours-per-week"]
cat_features = [col for col in df.columns if col not in num_features + ["income"]]# 数值标准化
scaler = StandardScaler()
df[num_features] = scaler.fit_transform(df[num_features])# 类别编码
for col in cat_features:df[col] = LabelEncoder().fit_transform(df[col])X = df[num_features + cat_features].values
y = df["income"].valuesX_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)# ========= 3. Dataset & Dataloader =========
class TabDataset(Dataset):def __init__(self, X, y):self.X = torch.tensor(X, dtype=torch.float32)self.y = torch.tensor(y, dtype=torch.long)def __len__(self): return len(self.X)def __getitem__(self, idx): return self.X[idx], self.y[idx]train_loader = DataLoader(TabDataset(X_train, y_train), batch_size=256, shuffle=True)
test_loader = DataLoader(TabDataset(X_test, y_test), batch_size=256)# ========= 4. 构建 FT-Transformer =========
device = "cuda" if torch.cuda.is_available() else "cpu"model = FTTransformer(d_numerical=len(num_features),categories=[int(df[col].nunique()) for col in cat_features],  # 每个类别特征的取值个数d_token=32,n_layers=3,n_heads=4,d_ffn_factor=2.0,attention_dropout=0.1,ffn_dropout=0.1,residual_dropout=0.1,d_out=2  # 二分类
).to(device)criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.AdamW(model.parameters(), lr=1e-3)# ========= 5. 训练 =========
for epoch in range(5):  # 演示只训练 5 轮model.train()for xb, yb in train_loader:xb, yb = xb.to(device), yb.to(device)out = model(xb)loss = criterion(out, yb)optimizer.zero_grad()loss.backward()optimizer.step()print(f"Epoch {epoch+1} | Loss {loss.item():.4f}")# ========= 6. 测试 =========
model.eval()
correct, total = 0, 0
with torch.no_grad():for xb, yb in test_loader:xb, yb = xb.to(device), yb.to(device)out = model(xb)preds = out.argmax(1)correct += (preds == yb).sum().item()total += yb.size(0)print(f"Test Accuracy: {correct / total:.4f}")