Tabular Foundation Model(PFN)은 다양한 표 작업에서 뛰어난 일반화 성능을 보이지만, 주로 배포된 분류기의 데이터 분포와 독립적인 비전략적 환경에서 설계돼요. 하지만 실제 의사 결정 시나리오에서는 개인이 유리한 결과를 얻기 위해 전략적으로 특징을 수정하여 배포 후 분포 변화를 유발할 수 있어요. 본 연구는 PFN 스타일 표 기반 모델이 이러한 전략적 표 데이터에 얼마나 잘 일반화되는지 분석해요.
전략적 조작은 사전 훈련 중에 학습된 비전략적 사전과 배포 후 전략적 사전 간의 불일치를 야기하여 예측 편향을 발생시키며, 이를 해결하기 위해 추론 시 전략 인지 프레임워크인 Strategic Prior-data Fitted Network(SPN)를 제안해요. SPN은 전략적 인-컨텍스트 예제를 구성하여 배포 후 조작된 입력을 근사하고 PFN 예측을 유도된 전략적 분포에 맞춥니다.
실제 표 데이터 세트에서 실험 결과, SPN은 기존 PFN 및 고전적 표 방법보다 전략적 조작 하에서 견고성과 예측 성능을 꾸준히 향상시키는 것을 확인했어요.