यह शोधपत्र इस समस्या पर प्रकाश डालता है कि सारणीबद्ध डेटा (जैसे, TabPFN) के लिए मौजूदा बेसलाइन मॉडल नए कार्यों के अनुकूल होने के लिए प्रासंगिक शिक्षण का लाभ उठाते हैं, लेकिन पूर्वनिर्धारित लक्ष्य आयामों की एक निश्चित संख्या तक सीमित होते हैं, जिसके लिए महंगी एनसेंबल रणनीतियों की आवश्यकता होती है। यह सीमा लक्ष्य समतुल्यता की कमी के कारण है, जो लक्ष्य आयामों के क्रम को बदलने पर अलग-अलग भविष्यवाणियों की ओर ले जाती है। इस शोधपत्र में, हम इस "समतुल्यता अंतर" को खत्म करने के लिए एक पूर्ण लक्ष्य समतुल्यता वास्तुकला तैयार करते हैं। यह समतुल्यता एनकोडर, डिकोडर और एक द्विदिश ध्यान तंत्र के माध्यम से क्रमचय अपरिवर्तन की गारंटी देता है। मानक वर्गीकरण बेंचमार्क पर प्रायोगिक मूल्यांकन से पता चलता है कि यह कम कम्प्यूटेशनल ओवरहेड के साथ प्रीट्रेनिंग के दौरान देखे गए वर्गों की तुलना में अधिक कक्षाओं वाले डेटासेट पर मौजूदा तरीकों की तुलना में समान या बेहतर प्रदर्शन करता है।
