diff --git a/tabnet.md b/tabnet.md
new file mode 100644
index 0000000..3a03e1a
--- /dev/null
+++ b/tabnet.md
@@ -0,0 +1,151 @@
+## Introduction
+
+**정형 데이터에서 딥러닝이 어려운 이유**
+- 트리 모델의 지배: 정형 데이터에는 트리 기반 모델이 이미 강력함
+- DNN의 inductive bias 부족: 정형 데이터에 맞는 귀납적 편향이 없음
+- 과도한 파라미터화: hypothesis space가 너무 넓어 좋은 최적점을 찾기 어려움
+
+**그럼에도 딥러닝이 필요한 이유:** 성능 확장성 / End-to-End 학습 / 표현 학습(Representation Learning)
+
+**TabNet의 3가지 핵심 설계**
+- Raw Tabular Data를 전처리 없이 직접 입력, Gradient Descent 기반 End-to-End 학습
+- Sequential Attention 기반 피처 선택 + Instance-wise Selection
+- Interpretability + Self-supervised Learning 지원
+
+---
+
+## Background
+
+**정형 데이터의 특성**
+- 피처 간 독립성 (Independent Features)
+- 변수 중요도의 극심한 편차 (Feature Saliency)
+- 복잡한 결정 경계 (Decision Manifolds)
+
+**Decision Tree의 장점** — Hyperplane boundaries / Automatic Feature Selection / Interpretability
+→ TabNet은 이 장점들을 딥러닝으로 구현하는 것이 목표
+
+**Feature Selection: Global vs Instance-wise**
+- Global: 전체 훈련 데이터 기준으로 변수 중요도 단일 평가 (ex. Lasso)
+- Instance-wise (TabNet): 샘플마다 중요한 피처를 다르게 선택, Feature selection과 Output mapping을 동시 수행
+
+**Top-down Attention & Sparsemax**
+- Top-down Attention: 예측 목표(Task)에 따라 필요한 정보만 선별적으로 탐색
+- Sparsemax: 불필요한 피처를 완전히 0으로 만들어 희소 선택 → 해석 가능성 확보 (softmax는 모든 피처에 양수 가중치 부여)
+
+---
+
+## Core Concept
+
+**TabNet = 트리 + 딥러닝의 결합**
+
+| 특성 | 내용 |
+|---|---|
+| Sequential Processing | 여러 Step에 걸쳐 순차적으로 피처 처리 |
+| Instance-wise Selection | 샘플마다 중요 피처를 다르게 선택 |
+| Soft Feature Selection | Backpropagation으로 학습 가능한 마스크 M[i] 사용 |
+
+---
+
+## Detailed Architecture
+
+**TabNet Encoder 구조**
+- Step-by-step Flow: 이전 단계 정보(a[i-1])로 마스크 생성 → 선택된 피처 처리 → 결과 도출
+- 각 Step = Feature Transformer + Attentive Transformer + Mask + Split 블록
+- Feature Masking: `f_i = M[i] · f` (곱셈 방식으로 salient한 피처만 통과)
+
+**Attentive Transformer & Feature Masking**
+- Prior Scale P[i]: 특정 피처가 이전 단계에서 얼마나 사용됐는지 기록 → 다양한 피처 탐색 유도
+- Sparsemax: 중요도 낮은 피처 가중치를 완전히 0으로 → Interpretability 확보
+
+**Feature Transformer**
+- Shared layers(2개) + Step-dependent layers(2개) 결합
+- FC → BN → GLU 구조: GLU가 어떤 정보를 통과/차단할지 비선형적으로 제어
+- Residual Connection에 √0.5 스케일링 적용 → 깊은 네트워크에서도 안정적 학습
+- 출력: `[d[i], a[i]]` — d[i]는 현재 단계 특징, a[i]는 다음에 무엇을 볼지 결정 힌트
+
+---
+
+## Self-supervised Learning
+
+- Unsupervised pre-training: 일부 피처를 마스킹 후 TabNet encoder+decoder로 복원 학습
+- Supervised fine-tuning: 사전 학습된 encoder를 분류/회귀 태스크에 적용
+- 레이블이 부족한 상황에서 성능 극대화 가능
+
+---
+
+## Training
+
+**희소성 정규화 (Sparsity Regularization)**
+
+$$L_{total} = L_{task} + \lambda_{sparse} L_{sparse}$$
+
+- $L_{sparse}$: 각 단계·피처별 마스크 가중치에 음의 엔트로피 적용 → 마스크를 더 희소하게 만들어 Interpretability 확보
+
+**최적화 & 안정성**
+- Ghost Batch Normalization (GBN): 작은 가상 배치로 나눠 BN 적용 → 정형 데이터 학습 불안정성 완화
+- Learning Rate Scheduling: 초기 높은 lr에서 점진적으로 감소
+
+---
+
+## Experiments
+
+**Instance-wise feature selection 검증**
+- 전역 피처가 중요한 케이스(Syn2)와 인스턴스별로 피처가 달라지는 케이스(Syn4) 모두에서 강한 성능
+- 파라미터 수 26~31K로 101K짜리 INVASE와 대등하거나 우세
+
+**Real-world 데이터셋 성능**
+
+| 데이터셋 | TabNet 성능 | 비고 |
+|---|---|---|
+| Forest Cover Type | 96.99% | AutoML Tables(94.95%) 능가 |
+| Poker Hand | 99.2% | 높은 비선형성, XGBoost(71.1%) 대비 압도 |
+| Sarcos (회귀) | MSE 0.14 (TabNet-L) | 같은 크기 모델 대비 최고 성능 |
+| Rossmann Store | MSE 485.12 | 시간 피처 인스턴스별 처리 강점 |
+| Higgs Boson | 78.84% (TabNet-M) | Sparse MLP(81K)와 동일 성능을 0.66M으로 달성 |
+
+**Interpretability 검증**
+- Syn2: X3-X6에만 집중, 무관한 피처 마스크 ≈ 0으로 수렴
+- Syn4: X11 값에 따라 X1-X2 또는 X3-X6으로 인스턴스별 피처 전환
+- 버섯 식용성 예측: "Odor" 피처에 43% 중요도 부여 (LIME, DeepLift 등은 30% 미만)
+- 소득 예측: "Age"를 가장 중요한 변수로 선택, T-SNE에서 학습된 표현과 일치 확인
+
+**Self-supervised Learning**
+실험 설계: TabNet-M / Higgs Boson 데이터셋 / 15번 반복 평균
+
+| 학습 데이터 크기 | Supervised | With pre-training | 향상폭 |
+|---|---|---|---|
+| 1k | 57.47% | 61.37% | +3.9% |
+| 10k | 66.66% | 68.06% | +1.4% |
+| 100k | 72.92% | 73.19% | +0.27% |
+
+- 레이블 데이터가 적을수록 사전학습 효과가 더 크게 나타남
+- 사전학습으로 수렴 속도도 빨라짐
+- 활용 예: Continual learning (매일 새로운 거래 데이터가 쌓이는 금융 사기 탐지), Domain adaptation (의료 데이터로 사전학습 후 특정 병원 데이터에 빠르게 적용)
+
+**Performance on KDD Datasets**
+CRM 분류 + 소득 예측 (Appetency / Churn / Upselling / Census)
+
+| 모델 | Appetency | Churn | Upselling | Census |
+|---|---|---|---|---|
+| XGBoost | 98.2 | 92.7 | 95.1 | 95.8 |
+| CatBoost | 98.2 | 92.8 | 95.1 | 95.7 |
+| TabNet | 98.2 | 92.7 | 95.0 | 95.5 |
+
+- 이미 단순 모델로도 높은 정확도가 나오는 **성능 포화 상태**이기 때문에 TabNet도 XGBoost, CatBoost와 거의 동일한 성능
+- Adult Census Income 피처 중요도 순위는 SHAP, XGBoost 등 다른 방법들과 유사한 경향 (Age, Education 등이 상위권)
+
+---
+
+## Limitations & Future Directions
+
+**TabNet의 주요 한계**
+
+1. 하이퍼파라미터 민감성 — 최적 성능을 내려면 많은 튜닝 필요, 데이터셋마다 최적값이 달라 범용적 사용 어려움
+2. 높은 계산 비용 — 순차적 어텐션 구조 특성상 학습 시간이 오래 걸리고 대규모 배치 크기 필요
+3. 노이즈에 민감 — sparsemax로 변수를 강하게 선택하는 구조라 노이즈 많은 데이터에서 잘못된 변수를 선택할 위험 존재
+
+**후속 연구: FT-Transformer**
+- 수치형·범주형 모든 피처를 동일 차원의 토큰으로 변환하여 Transformer로 피처 간 관계 학습
+- TabNet: 순차적으로 피처 선택, 중요한 피처만 집중 처리
+- FT-Transformer: 모든 피처를 동시에 처리하여 피처 간 고차원 상호작용 포착
+- 해석 가능성: FT-Transformer는 어텐션 맵 평균화로, TabNet은 마스크 M[i] 시각화로 각각 구현
\ No newline at end of file
diff --git a/tabpfn.md b/tabpfn.md
new file mode 100644
index 0000000..3616981
--- /dev/null
+++ b/tabpfn.md
@@ -0,0 +1,149 @@
+## Introduction
+
+**표 형식 데이터의 문제점**
+- 데이터 유형이 다양하고 (불리언, 범주형, 수치형 등) Imbalanced / Missing / Outlier 존재
+- 딥러닝: 이질성 때문에 적용 어려움
+- 머신러닝: Transfer 어렵고, 기울기 전파 불가로 신경망과 결합 힘듦
+
+**TabPFN 성능**
+- 적용 범위: 최대 10,000 샘플 × 500 특징
+- 분류 5,140×, 회귀 30,000× 빠름 (vs Gradient-boosted 트리)
+
+---
+
+## Principled In-Context Learning (ICL)
+
+대형 언어모델의 ICL과 동일한 메커니즘을 표 데이터에 적용
+
+| 단계 | 내용 |
+|------|------|
+| 데이터 생성 | 수백만 개의 합성 표 데이터셋 생성 |
+| 사전 학습 | 마스킹 목표로 PFN 학습 (개발 중 단 한 번) |
+| 실제 예측 | 학습 샘플을 컨텍스트로 제공 → 미지 데이터셋 예측 |
+
+- 추론 시 전체 데이터셋을 입력으로 받아 단일 순방향 전달로 훈련 + 예측 동시 수행
+- 파인튜닝 없이 임의의 미지 데이터셋에 바로 적용 가능
+
+---
+
+## Architecture
+
+**2D TabPFN Layer (×12)**
+- 1D feature attention (열 방향) → 1D sample attention (행 방향) → MLP → 확률 분포 출력
+- 양방향 어텐션으로 샘플과 특징 순서에 무관 (순서 불변 설계)
+
+**적합-예측 설정 (Fit-Predict)**
+- 훈련 세트에 대한 ICL을 한 번 수행 후 결과 캐싱 → 여러 테스트 세트 재사용 가능
+- CPU 약 300배, GPU 6배 속도 향상
+- 특징 10배 증가 시 CPU 800배, GPU 30배 향상
+
+**하드웨어 최적화**
+- Flash Attention2, 활성화 체크포인트, half precision 적용
+- 메모리 요구 사항 1/4로 감소 → H100 기준 최대 50,000셀 데이터셋 처리 가능
+
+---
+
+## Synthetic Data (인과 모델 기반)
+
+실제 공개 데이터 대신 합성 데이터를 사용하는 이유
+- 개인정보·저작권 침해 방지
+- 테스트 데이터로 훈련 데이터 오염 방지
+
+**생성 파이프라인**
+1. 데이터셋 크기·특징 수·난이도 등 하이퍼파라미터 샘플링
+2. 방향성 비순환 그래프(DAG) 구성
+3. 가우시안 노이즈 추가 + Kumaraswamy 분포 워핑 등 후처리
+4. 훈련당 약 1억 개의 합성 데이터셋 코퍼스 생성
+
+---
+
+## Experiment
+
+**정성적 분석 (Toy Problem)**
+- 선형·비선형·step 함수 등 데이터 구조에 따라 유연하게 모델링
+- 단일 값이 아닌 전체 확률 분포 예측 (불확실성 표현 가능)
+- CatBoost 대비 매끄러운 곡선 근사, MLP 대비 step 함수도 잘 처리
+
+**정량적 분석**
+- Gradient-boosted 결정 트리 대비 전반적으로 우수한 성능
+- 소규모~중규모 데이터셋에 최적화
+
+---
+
+## Quantitative Analysis
+
+**실험 설정**
+- 데이터셋: AutoML Benchmark, OpenML-CTR23, Kaggle 5개 등 (분류 29개 + 회귀 28개, 최대 10,000샘플 × 500특징 × 10클래스)
+- 비교 모델: Random Forest, XGBoost, CatBoost, LightGBM, Linear, SVM, MLP
+- 평가 지표: 분류 → ROC AUC / 회귀 → R², negative RMSE
+- 실험 방식: 10개 random seed, 90/10 train-test split, random search + 5-fold CV로 튜닝 (30초~4시간), 추론 시 8번 앙상블
+
+---
+
+## Comparison with State-of-the-art Baselines
+
+**vs CatBoost (가장 강한 baseline)**
+
+| | TabPFN | CatBoost |
+|---|---|---|
+| 분류 (기본) | 0.939 | 0.752 |
+| 분류 (튜닝) | 0.952 | 0.822 |
+| 회귀 (기본) | 0.923 | 0.872 |
+| 회귀 (튜닝) | 0.968 | 0.875 |
+
+**튜닝 시간 vs 성능**
+- 하이퍼파라미터 탐색 시간을 늘릴수록 baseline 성능은 올라가지만, default TabPFN이 여전히 강함
+- Kaggle, Tabular Playground 등 추가 벤치마크에서도 동일한 경향
+
+---
+
+## Evaluating Diverse Data Attributes
+
+**강건성 실험** (데이터를 일부러 망가뜨림)
+- 불필요한 feature 추가, 극단적 outlier 추가, sample/feature 수 감소
+- → 지저분한 환경에서도 비교적 안정적으로 동작
+
+**속성별 subgroup 비교**
+- 결측치 유무, 범주형 변수 유무, sample 수, feature 수별로 분리 평가
+- → 특정 상황에서도 안정적으로 동작
+
+---
+
+## Comparison with Tuned Ensemble Methods
+
+**AutoGluon vs TabPFN(PHE)**
+
+| | AutoGluon | TabPFN(PHE) |
+|---|---|---|
+| 방식 | 여러 모델 stacked ensemble + 튜닝 | TabPFN 여러 개 + PHE 앙상블 |
+| 분류 소요 시간 | 최대 4시간 | 2.8초 |
+| 분류 성능 | 낮음 | 우세 |
+| 회귀 성능 | 최대 4시간 필요 | 최소 300초에서도 우세 |
+
+- 분류에서는 default TabPFN(2.8초)만으로도 AutoGluon(4시간) 대비 우세
+- TabPFN도 단일 모델에서 끝나는 게 아니라 앙상블로 더 강화 가능
+
+---
+
+## Foundation Model with Interpretability
+
+TabPFN은 예측 외에도 다양한 확장 기능을 지원한다.
+
+**Density Estimation** — 데이터 분포 추정 (사기 탐지, 이상치 탐지 등에 활용)
+
+**Synthetic Data Generation** — 실제 데이터 특성을 흉내 낸 샘플 생성 (data augmentation, privacy-preserving sharing)
+
+**Embedding** — 내부 표현이 단순 압축 벡터가 아니라 분류에 유리한 구조를 담음 → imputation(결측값 채우기), clustering(label 없이 군집화)에 활용 가능
+
+**Fine-tuning** — neural architecture이기 때문에 특정 데이터셋/태스크에 맞춰 fine-tuning 가능, 관련 태스크 간 지식 transfer 가능 → "TabPFN을 foundation model로 보겠다"는 주장
+
+---
+
+## Conclusion
+
+- ICL 기반으로 효율적인 알고리즘을 자동 탐색, tabular data modeling의 큰 전환점
+- 최대 10,000 샘플 × 500 특징 범위에서 기존 방법들을 능가
+
+Future Work: 더 큰 데이터셋 확장 / data drift 처리 / 관련 tabular task 간 fine-tuning 연구
+
+---