في عالم البيانات المتزايد التعقيد، أصبحت نماذج البيانات الجدولية (Tabular Foundation Models) أداة قوية في تحليل البيانات الهيكلية، وخاصة في مشكلات التصنيف والانحدار. ومع ذلك، يواجه الباحثون تحديات كبيرة عند محاولة تطبيق هذه النماذج في التنبؤ بالوقت للحدث، نظراً للحاجة إلى التعامل بشكل صحيح مع البيانات المُراقبة وديناميات وقت الحدث.

استناداً إلى أعمال سابقة، قمنا بتعزيز الروابط بين نماذج البيانات الجدولية ونماذج مثل CoxPH وDeepHit ونعيد صياغة إجراءات التدريب المعادة سياقياً. لقد قمنا بتقييم تكيف صُمم خصيصًا للتنبؤ بالأحداث باستخدام تقنيات مثل إعادة الصياغة الزمنية بدون تدريب، وكذلك الضبط الدقيق المبني على التصنيف. أظهرنا فوائد استخدام هيكليات مختلفة على 74 مجموعة بيانات ذات مخاطر فردية، بالإضافة إلى دراسات لعدد من مجموعات البيانات ذات المخاطر المتعددة.

بينما تعتبر استراتيجيات الاستدلال بدون تدريب فعالة على مجموعات البيانات الأصغر، يصبح التكيف المدعوم أكثر فائدة مع زيادة حجم البيانات. وقد أظهرت نتائجنا أن نموذج Cox يوفر واجهة موثوقة للغاية، خاصة عندما يتعلق الأمر بمقياس Brier المدمج على مجموعات البيانات الأكبر. على الجانب الآخر، يتمتع DeepHit بقوة نسبيّة أعلى لمؤشر التوافق المعتمد على الزمن مقارنة بمقياس IBS، في حين يحقق التصنيف المبني على الضبط الدقيق أداءً أفضل مع تقدم حجم البيانات.

بشكل عام، تشير نتائجنا إلى أن نقل البيانات الفعّال يعتمد على نظام البيانات والبنية الإحصائية للتكيف المستخدم. يمكنك الاطلاع على أكواد التنفيذ المستخدمة في هذا العمل عبر GitHub.