TabTune: Uma Biblioteca Unificada para Inferência e Ajuste Fino de Modelos de Fundamento em Dados Tabulares

TabTune: A Unified Library for Inference and Fine-Tuning Tabular Foundation Models

November 4, 2025

Autores: Aditya Tanna, Pratinav Seth, Mohamed Bouadi, Utsav Avaiya, Vinay Kumar Sankarapu

cs.AI

Resumo

Os modelos de fundação tabulares representam um paradigma crescente na aprendizagem de dados estruturados, estendendo os benefícios do pré-treinamento em larga escala para domínios tabulares. No entanto, sua adoção permanece limitada devido a pipelines de pré-processamento heterogêneos, APIs fragmentadas, procedimentos de ajuste fino inconsistentes e a ausência de avaliação padronizada para métricas orientadas à implantação, como calibração e justiça. Apresentamos o TabTune, uma biblioteca unificada que padroniza o fluxo de trabalho completo para modelos de fundação tabulares por meio de uma única interface. O TabTune fornece acesso consistente a sete modelos state-of-the-art que suportam múltiplas estratégias de adaptação, incluindo inferência zero-shot, meta-aprendizagem, ajuste fino supervisionado (SFT) e ajuste fino eficiente em parâmetros (PEFT). A estrutura automatiza o pré-processamento consciente do modelo, gerencia internamente a heterogeneidade arquitetônica e integra módulos de avaliação para desempenho, calibração e justiça. Projetado para extensibilidade e reprodutibilidade, o TabTune permite a comparação consistente de estratégias de adaptação de modelos de fundação tabulares. A biblioteca é de código aberto e está disponível em https://github.com/Lexsi-Labs/TabTune.

English

Tabular foundation models represent a growing paradigm in structured data learning, extending the benefits of large-scale pretraining to tabular domains. However, their adoption remains limited due to heterogeneous preprocessing pipelines, fragmented APIs, inconsistent fine-tuning procedures, and the absence of standardized evaluation for deployment-oriented metrics such as calibration and fairness. We present TabTune, a unified library that standardizes the complete workflow for tabular foundation models through a single interface. TabTune provides consistent access to seven state-of-the-art models supporting multiple adaptation strategies, including zero-shot inference, meta-learning, supervised fine-tuning (SFT), and parameter-efficient fine-tuning (PEFT). The framework automates model-aware preprocessing, manages architectural heterogeneity internally, and integrates evaluation modules for performance, calibration, and fairness. Designed for extensibility and reproducibility, TabTune enables consistent benchmarking of adaptation strategies of tabular foundation models. The library is open source and available at https://github.com/Lexsi-Labs/TabTune .