TabArena/BeyondArena

BeyondArena数据集是一个统一、全面的表格数据基准，支持多种任务类型（包括IID、时序和非IID分组数据），覆盖不同样本大小和特征维度规模。数据集包含多种特征类型，如文本特征和高基数分类特征，并来自多个学科领域，包括医疗、金融、工程等。该集合包含142个数据集，用于表格分类和回归任务，旨在为机器学习模型提供多样化的评估环境。

BeyondArena Datasets are from BeyondArena, a unified, holistic benchmark for tabular data that supports diverse task types (IID, temporal, grouped), across sample size and feature dimensionality scales, with diverse feature types (including text and high cardinality features) from a broad range of disciplines. The collection includes 142 datasets for tabular classification and regression tasks, designed to provide a diverse evaluation environment for machine learning models.

搜集汇总

数据集介绍

构建方式

BeyondArena数据集的构建源自对跨学科、多样化表格数据任务的系统性梳理与整合。该数据集精选了142个具有代表性的表格数据子集，涵盖了独立同分布（IID）与非独立同分布（non-IID）的时序及分组数据模式。在构建过程中，数据被统一转换为Parquet格式进行存储，并借助Data Foundry工具进行了元数据的标准化封装，包括数据类型推断、任务类型标注以及外部交叉验证折的预划分，从而确保了数据集在不同研究场景下的可复现性与易用性。

使用方法

使用BeyondArena数据集时，推荐通过Data Foundry库进行便捷的加载与迭代。用户只需调用BEYOND_ARENA集合的相关接口即可根据任务名称获取标准化的数据容器，该容器集成了原始数据帧、任务元数据及预设的交叉验证拆分信息。在进行模型评估时，可按划分索引依次提取训练集与测试集，并灵活适配IID、时序或分组等不同的评估协议。通过预取（prefetch）机制，整个数据集合可被一次性网络下载并缓存至本地，从而大幅提升大规模基准测试的实验效率。

背景与挑战

背景概述

在机器学习与数据科学领域，表格数据作为最为基础和广泛存在的数据形态，长期以来缺乏一个全面、统一且具有挑战性的基准测试平台。为填补这一空白，BeyondArena数据集应运而生，旨在构建一个覆盖多任务类型、多尺度样本与特征维度的综合性基准。该数据集由匿名研究团队于近期发布，其核心研究问题聚焦于如何系统性地评估和推动表格数据上基础模型的泛化能力，涵盖独立同分布（IID）与非独立同分布（Non-IID）场景，以及包含文本特征、高基数类别特征等复杂数据类型。通过整合142个来自不同学科领域的子数据集，BeyondArena为表格数据研究提供了前所未有的广度和深度，有望成为推动该领域发展的新标杆。

当前挑战

BeyondArena所应对的领域挑战在于，现有的表格数据基准多局限于特定任务或简单IID场景，难以反映真实世界中数据分布的异质性与时间依赖性。该数据集通过引入Non-IID时序数据、分组数据以及含文本特征的多模态数据，迫使模型必须处理分布漂移、时序依赖与特征异构等核心难题。在构建过程中，团队面临的挑战包括：从海量异构来源中精选并标准化142个数据集，确保数据质量、任务标签一致性以及跨数据集的可比性；设计并统一三种分割机制（IID/时序/分组）以支持不同研究目标；同时，将文本特征与高基数类别特征整合至表格框架中，实现多模态数据的无缝衔接。这些工程与科学上的努力，共同铸就了BeyondArena的独特价值。

常用场景

经典使用场景

BeyondArena数据集作为首个涵盖142个任务、支持独立同分布、时间序列与分组非独立同分布三种分裂范式的表格数据统一基准，其经典使用场景聚焦于全面评估机器学习模型在不同表格数据特性下的泛化能力。研究者通常利用该数据集的丰富配置——包含文本特征、高基数类别变量以及跨学科领域（如医疗、金融、能源）的回归与分类任务——来系统测试传统集成方法（如梯度提升树）与新兴基础模型（如表格式Transformer）的性能边界，尤其关注模型在样本量、特征维度与分布偏移维度上的鲁棒性表现。

解决学术问题

该数据集的诞生直接回应了表格数据领域长期存在的碎片化评估困境：过往研究多基于零散、小规模且任务单一的基准，难以公平比较不同算法在复杂现实场景下的优劣。BeyondArena通过统一的预处理流程、标准化的交叉验证分裂策略与公开排行榜，首次为学术社区提供了可复现的、覆盖极端不平衡分类、概念漂移及时序依赖等挑战性问题的试验场。此举不仅厘清了不同模型在何种数据特性下占据优势，更推动了表格数据算法从‘学术玩具’向务实、可部署的解决方案演进。

实际应用

在实际产业应用中，BeyondArena数据集所涵盖的领域——如5G能耗预测、反欺诈检测、患者生存期分析与客户流失预警——均直接对应着企业级人工智能部署中的核心痛点。基于该基准训练与验证的模型，因经历过跨场景、跨分布偏移的严苛考验，更易被部署至生产环境中的自动化机器学习管道。金融机构可借助其信用风险评估任务筛选稳健的违约预测模型，医疗机构则能利用其中的时序非独立同分布子集来开发应对电子健康记录漂移的预警系统，显著降低模型部署后的性能衰减风险。

数据集最近研究

最新研究方向

BeyondArena数据集的问世，为表格数据基础模型的评估提供了一个前所未有的统一、全面且细粒度的基准框架。当前研究前沿聚焦于利用该语料库验证预训练模型在独立同分布、时序非独立同分布以及分组非独立同分布等多样化任务设定下的泛化与鲁棒性能力，尤其关注融合文本特征与高基数类别变量的复杂表格场景。该数据集汇聚了横跨金融、医疗、工业控制等十余个学科领域的142个异构任务，其影响深远——它不仅系统性地填补了此前基准测试在非IID与时序任务上的评估空白，更推动了表格深度学习从粗放式竞赛向规范化、可复现的科学评价体系演进，成为连接新兴表格基础模型理论与真实世界应用的关键枢纽。