ASPIRE est un modèle d'inférence neuronale polyvalent pour l'inférence sémantique et la prédiction sur des données structurées hétérogènes. Pour relever les défis des données réelles, souvent présentées sous des formes diverses et disjointes, avec des schémas variés, une sémantique incohérente et un ordre de caractéristiques indéterminé, il combine un transformateur basé sur des ensembles invariant par permutation avec un module sémantique qui apprend les dépendances de caractéristiques entre les jeux de données en intégrant des descriptions en langage naturel, des métadonnées de jeux de données et des exemples contextuels. Il accepte un ensemble arbitraire de paires caractéristique-valeur et d'exemples, aligne la signification entre les tables disjointes et effectue des prédictions pour une cible donnée. Après apprentissage, il se généralise à de nouvelles tâches d'inférence sans ajustement supplémentaire. Il fournit non seulement des résultats robustes sur divers benchmarks, mais prend également en charge l'acquisition active de caractéristiques à moindre coût dans des environnements ouverts, en sélectionnant les caractéristiques utiles sous des contraintes budgétaires de temps de test sur des jeux de données arbitraires et inédits.
