Cet article met en évidence le problème suivant : les modèles de référence existants pour les données tabulaires (par exemple, TabPFN) exploitent l'apprentissage contextuel pour s'adapter à de nouvelles tâches, mais sont limités à un nombre fixe de dimensions cibles prédéfinies, ce qui nécessite des stratégies d'ensemble coûteuses. Cette limitation est due à l'absence d'équivariance cible, ce qui conduit à des prédictions différentes lorsque l'ordre des dimensions cibles est modifié. Dans cet article, nous concevons une architecture complète d'équivariance cible pour combler cet « écart d'équivariance ». Elle garantit l'invariance des permutations grâce à un encodeur d'équivariance, un décodeur et un mécanisme d'attention bidirectionnel. Des évaluations expérimentales sur des référentiels de classification standard montrent que ses performances sont égales, voire supérieures, aux méthodes existantes sur des ensembles de données comportant davantage de classes que celles observées lors du pré-apprentissage, avec une charge de calcul moindre.
