Este artículo destaca el problema de que los modelos de referencia existentes para datos tabulares (p. ej., TabPFN) aprovechan el aprendizaje contextual para adaptarse a nuevas tareas, pero están limitados a un número fijo de dimensiones objetivo predefinidas, lo que requiere costosas estrategias de conjunto. Esta limitación se debe a la falta de equivarianza objetivo, lo que genera predicciones diferentes al cambiar el orden de las dimensiones objetivo. En este artículo, diseñamos una arquitectura completa de equivarianza objetivo para eliminar esta "brecha de equivarianza". Esta arquitectura garantiza la invariancia de permutación mediante un codificador, un decodificador y un mecanismo de atención bidireccional de equivarianza. Las evaluaciones experimentales en puntos de referencia de clasificación estándar muestran que su rendimiento es igual o superior al de los métodos existentes en conjuntos de datos con más clases que las observadas durante el preentrenamiento, con una menor sobrecarga computacional.
