ReSS é uma estrutura que une modelos de raciocínio simbólicos e neurais para predição de dados tabulares, visando alta precisão e raciocínio compreensível. Ela usa árvores de decisão para criar andaimes simbólicos que guiam um LLM a gerar raciocínio em linguagem natural, usado para o ajuste fino de LLMs em tarefas de raciocínio tabular.
O GATD (Geometry-Aware Tabular Diffusion) é introduzido para a síntese tabular, aprimorando os denoisers com ângulos e comprimentos de diferenças de valores de coluna. Ele alcança desempenho de ponta com menos parâmetros, reduzindo erros e demonstrando que a supervisão relacional explícita é fundamental para os ganhos.
Esta pesquisa apresenta o "Schema-Adaptive Tabular Representation Learning", um método inovador que utiliza Large Language Models (LLMs) para criar embeddings tabulares transferíveis. Ao transformar variáveis estruturadas em declarações semânticas de linguagem natural, permite o alinhamento zero-shot entre esquemas de EHR variáveis na medicina clínica, sem engenharia de recursos manual.