表形式データに対するインコンテキスト学習のためのマルチタスクに基づく事前分布：鋼材特性予測への応用

要旨：薄スラブ直接圧延（TSDR）のような熱間圧延プロセスにおける鋼の機械特性を正確に予測することは、化学組成、加工パラメータ、そしてそれによって生じる微細組織の間に複雑な相互作用があるため、依然として困難である。従来の経験的および実験的手法は効果的であるものの、多くの場合、リソースを大量に消費し、さまざまな生産条件に対して適応性を欠いている。さらに、既存の多くのアプローチは、主要な機械特性間に存在する強い相関関係を明示的に活用しておらず、多タスク学習によって予測精度を向上させる機会を逃している。そこで本研究では、TabPFN の事前分布に多タスク認識を注入することで、位置付け学習における基盤モデルである TabPFN——表形式データに対するインコンテキスト学習のためのトランスフォーマベースの基盤モデル——の事前分布を、独自の微調整戦略によって多タスク学習フレームワークとして提示する。TabPFN は本来、単一のターゲットによる回帰または分類のために設計されているが、我々は TabPFN の事前分布を 2 つの補完的なアプローチで拡張する：（i）ターゲット平均化。これは、TabPFN の単一ターゲット構造と整合する統一されたスカラー信号を提供する。（ii）タスク固有アダプタ。これは微調整中にタスク固有の教師信号を導入する。これらの戦略は共同して、主要な機械指標間の特性間関係を捉える、多タスクに情報を与えた事前分布へモデルを導く。工業用の TSDR データセットに対する大規模な実験により、提案する多タスク適応が、複数の評価指標において、古典的な機械学習手法および近年の最先端の表形式学習モデルよりも優れていることを示す。特に本手法は、タスク固有の微調整と比較して、予測精度と計算効率の双方を向上させる。これは、多タスクを意識した事前分布の適応によって、表形式データ向けの基盤モデルが、TSDR における自動化された工業品質管理およびプロセス最適化のために、スケーラブルで迅速かつ信頼性の高い導入を実現できることを示している。