Google雲端AI平臺內建TabNet表格模型，可替代傳統決策樹演算法

Google在雲端平臺新加入內建深度學習模型TabNet，用戶可以簡單地使用深度學習來處理表格資料，TabNet具有兩項優點，除了可解釋性之外，還提供高效的執行效能，Google提到，這個演算法很適合用於零售、金融和保險業，實作像是預測信用評分、詐欺偵測和數值預測等應用。

Google提到，雖然表格資料是人工智慧應用中，最常見的資料類型，但是將表格資料應用於深度學習中，並沒有獲得充分的研究，目前大多數應用程式，仍然使用決策樹演算法，Google進一步解釋其中的原因，因爲決策樹很適合用於表格資料，而且具有很好的可解釋性，這在金融服務這類高風險的實際應用中非常重要，另外一個原因則是，過去的深度學習架構並不適合用於表格資料。

之所以要在表格資料使用深度學習技術，Google認為，跟圖像、語音和語言等領域相同，新的深度學習架構能帶來明顯的效能改善，由於深度學習近期在圖像以及語言的發展，也驅使了研究團隊開發可將深度學習用於表格資料的架構。

而且神經網路與決策樹演算法相比，神經網路使用稱為反向傳播方法，是能夠直接從錯誤訊號學習的有效方法，Google提到，深度神經網路可以於表格資料，提供基於梯度下降的端到端學習方法，這帶來的好處包括從部分標記的資料中學習，或稱半監督式學習，還能夠使用另一個訓練模型的資訊，以學習解決相關的任務。

TabNet被設計能夠學習類決策樹的映射方式，以獲取決策樹可解釋性的優點，而且又因為使用深度學習方法，因此能獲得高效能的好處。TabNet採用稱為順序注意力（Sequential Attention）的機器學習技術，用戶可以了解模型中的每一個步驟，選擇模型特徵的原因，這個機制可以解釋模型獲得最終預測結果的過程，還可用來改進模型，增加精準度，Google提到，因為順序注意力機制，TabNet的效能表現比其他神經網路和決策樹方法都還要好，還提供可解釋的特徵歸因。

現在Google發布TabNet，作為雲端人工智慧平臺訓練服務內建的演算法，TabNet提供了超參數調整功能，因此即便用戶不了解該方法背後的技術原理，仍可以達到高執行效能。超參數調校會在單一訓練工作中，進行多次試驗後開始作用，Google提到，雖然超參數比預測值效能還要好，但因為需要經過多次的試驗，因此超參數調校功能需要付出較高的計算成本。