Глубинное обучение на табличных данныхDeep learning on tabular data

This dissertation studies deep learning for supervised prediction on tabular data through the lens of rigorous benchmarking. It first analyzes the fragmented evaluation practices of early tabular deep learning research and introduces a unified experimental protocol showing that well-tuned simple MLP baselines often match or outperform specialized architectures. Building on this foundation, the work demonstrates that target-aware pretrainingd and retrieval-augmented models can enable neural networks to surpass gradient-boosted decision trees on established academic benchmarks. Finally, it introduces TabReD, an industrial-scale benchmark with temporal distribution shifts and extensive feature engineering, revealing that many academic advances do not transfer reliably to realistic deployment settings. Overall, the dissertation establishes systematic, rigorous, and practically grounded benchmarking as one of the central drivers of progress in tabular deep learning. 

Данная диссертация исследует применение глубокого обучения к задачам обучения с учителем на табличных данных через призму строгого и систематического бенчмаркинга. В работе сначала анализируются фрагментированные практики оценки ранних исследований в области табличного глубокого обучения и предлагается единый экспериментальный протокол, показывающий, что хорошо настроенные простые нейросетевые модели, такие как MLP, часто не уступают специализированным архитектурам или превосходят их. Далее демонстрируется, что предобучение с учётом целевой переменной и модели, дополненные непараметрическими компонентами, позволяют нейронным сетям превосходить градиентный бустинг на устоявшихся академических бенчмарках. Наконец, в диссертации представлен TabReD -- бенчмарк из индустриальных табличных задач с временными сдвигами распределения и большим числом признаков, показывающий ограниченную переносимость многих академических достижений в реалистичные условия. В целом работа обосновывает роль строгого, воспроизводимого и практически ориентированного бенчмаркинга как одного из ключевых механизмов прогресса в глубоком обучении на табличных данных.