# TabNet: Attentive Interpretable Tabular Learning

**Authors:** Sercan O. Arik, Tomas Pfister  
**arXiv:** [1908.07442](https://arxiv.org/abs/1908.07442)  
**Date:** 2019-08-20  
**Summary page:** https://www.summarizepaper.com/fr/paper/1908.07442v1/

## Key points

- TabNet est un nouveau réseau d'apprentissage de données tabulaires profondes interprétable et performant.
- Utilisation d'un mécanisme d'attention séquentielle pour sélectionner les caractéristiques pertinentes à chaque étape de décision.
- Agrégation des informations sélectionnées vers la décision finale.
- La sélection explicite des caractéristiques clairsemées permet un apprentissage plus efficace en utilisant pleinement la capacité du modèle pour les caractéristiques les plus importantes.
- Offre une prise de décision plus interprétable grâce à la visualisation des masques de sélection.
- TabNet surpasse d'autres variantes de réseaux neuronaux et d'arbres de décision sur une large gamme d'ensembles de données tabulaires.
- Fournit des attributions de caractéristiques interprétables et des insights sur le comportement global du modèle.

## Summary

Nous présentons TabNet, un nouveau réseau d'apprentissage de données tabulaires profondes interprétable et performant. Ce modèle utilise un mécanisme d'attention séquentielle pour sélectionner les caractéristiques pertinentes à chaque étape de décision et agrège ensuite ces informations vers la décision finale. La sélection explicite des caractéristiques clairsemées permet un apprentissage plus efficace en utilisant pleinement la capacité du modèle pour les caractéristiques les plus importantes. De plus, elle offre une prise de décision plus interprétable grâce à la visualisation des masques de sélection. Nous démontrons que TabNet surpasse d'autres variantes de réseaux neuronaux et d'arbres de décision sur une large gamme d'ensembles de données tabulaires tout en fournissant des attributions de caractéristiques interprétables et des insights sur le comportement global du modèle. Cette approche innovante offre une meilleure compréhension des modèles complexes tout en améliorant les performances prédictives dans divers domaines applicatifs.