RowNet: A Memory Transformer for Tabular Regression
RowNet：用于表格回归的记忆 TransformerAI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要主题为房地产表格回归的神经架构与检索方法，未涉及所提供领域细分中的因果推断、面板、离散选择、结构估计、时间序列、资产定价等方向，故不选择任何细分领域。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
RowNet：用于表格回归的记忆 Transformer
- 研究问题
- 摘要称，房地产估值是一个结构化回归问题，价格受异质特征类型、稀疏区域效应、非线性交互以及可比房产逻辑影响；论文关注如何在此类表格回归中显式建模对相似历史观测的检索，而非仅依赖逐行独立向量或特征分裂。
- 方法与思路
- 作者提出 RowNet，一种基于检索的神经架构：用查询房产与带标签记忆库中房产的成对相似度特征表示查询；第一层检索层仅用特征相似度估计粗略目标；第二层在记忆比较中加入目标一致性特征，并用多个学习到的注意力头检索互补的可比集合；最后由混合专家模块结合门控、残差修正、熵正则与头多样性正则输出预测。
- 材料陈述的贡献
- 摘要明确陈述的贡献是提出 RowNet 这一检索式神经架构，用于房地产每平方米单价预测，将可比房产检索、目标一致性特征、多头注意力与混合专家结合，以弥补标准多层感知机逐行独立处理和梯度提升树特征中心分裂机制的不足。
- 阅读关注点
- 阅读全文时应核对：记忆库如何构建与划分以避免信息泄漏；相似度特征与目标一致性特征的具体定义；注意力头与混合专家的训练目标、正则权重及调参方式；与梯度提升树等基线的比较设置、数据来源与评估指标；以及摘要未说明的识别假设与统计推断。
- 阅读边界
- 仅凭摘要无法判断方法相对基线的实际表现、数据规模与代表性、是否经过同行评审；该来源为 arXiv 预印本，不能据此声称已通过评审或期刊接收。摘要也未说明识别假设、理论保证与统计推断细节。
原文摘要
Real estate valuation is a structured regression problem in which prices are governed by heterogeneous feature types, sparse regional effects, nonlinear interactions, and the practical logic of comparable properties. Standard multilayer perceptrons treat each row as an isolated vector and must learn locality, scale sensitivity, and categorical matching from supervision alone. Gradient-boosted decision trees provide strong tabular baselines, but their feature-centric splitting mechanism does not explicitly model the retrieval of similar historical observations. This paper presents RowNet, a retrieval-based neural architecture for real estate price-per-square-meter prediction. RowNet represents a query property through pairwise similarity features against a memory bank of labeled properties. A first retrieval layer estimates a coarse target from feature-only similarities. A second layer augments the memory comparison with target-consistency features and uses multiple learned attention heads to retrieve complementary comparable sets. A final mixture-of-experts module combines learned gating, residual correction, entropy regularization, and head-diversity regularization to produce the prediction.