تعتبر توقعات البيانات الجدولية من المهام الحيوية في مجالات متعددة، لكن التحديات التي تواجه نماذج البيانات التقليدية تظل بارزة. في السنوات الأخيرة، أثبتت نماذج اللغات الضخمة (Large Language Models) فعاليتها، مما دفع الباحثين لاستكشاف كيفية تكييفها لتناسب هذا النمط من البيانات.

تتمثل الاستراتيجية الشائعة في تدريب نماذج بيانات أساسية متخصصة (Tabular Foundation Models) مثل نموذج TabPFN، إلا أن الحاجة الكبيرة لموارد حسابية تجعل إعادة تدريب هذه النماذج بشكل دوري أمراً غير عملي في كثير من الأحيان. في هذا السياق، تقدم تقنية التعلم في السياق (In-Context Learning)، وخصوصاً تقنيات التوجيه بعدد قليل من الأمثلة، خيارًا موفرًا للموارد لتحسين الأداء.

ومع ذلك، تبقى مشكلة تحديد الصفوف الأكثر صلة لاستخدامها كأمثلة محددة واحدة من التحديات الرئيسية للبيانات الجدولية. هنا يأتي دور نظام ARASH (اختيار استرجاع وتحديد shots معين وفقًا للاستعلام)، الذي يقدم طريقة جديدة تُحسِّن كفاءة نماذج البيانات الأساسية من خلال اختيار shots الأمثل بناءً على تحليل الجوار المحلي ضمن مجموعة التدريب.

تظهر النتائج أن ARASH يُقلل من طول التوصيف واحتياجات الذاكرة لنموذج TabPFN بنسبة تصل إلى 1261.5 مرّة و2.56 مرّة على التوالي، مع الحفاظ على دقة مشابهة، مما يبرز أهمية هذا الابتكار في تطوير نماذج بيانات أكثر كفاءة وفاعلية.