摘要：近日，来自蒂宾根大学等机构的研究者进行了一项表格数据 SOTA 深度学习方法的调查研究。该研究首先将这些方法分为三组：数据转换、专用架构和正则化模型，然后全面概述了每个组中的主要方法。

通过解释表格数据上的深度学习模型，该研究对生成表格数据的深度学习方法展开了详细的讨论。该研究的主要贡献是对领域内的主要研究流派和现有方法进行分类，同时突出相关挑战和开放型研究问题。这是领域内首个深入研究基于表格数据的深度学习方法的工作，可作为表格数据深度学习研究者和从业者的宝贵指南。

该调查的目的是为了提供：

1. 对现有关于表格数据深度学习的科学文献的彻底审查；
2. 对异构表格数据进行分类和回归任务的可用方法的分类学分类；
3. 最先进技术的介绍以及对生成表格数据的有希望的路径的展望；
4. 表格数据深层模型的现有解释方法概述；
5. 关于表格数据深度学习成功有限的主要原因的讨论；
6. 与表格数据深度学习相关的开放挑战列表。

基于此，数据科学从业者和研究人员将能够快速为用例或研究问题确定起点和指导。