Google在云计算平台新加入内置深度学习模型TabNet，用户可以简单地使用深度学习来处理表格资料，TabNet具有两项优点，除了可解释性之外，还提供高效的执行性能，Google提到，这个算法很适合用于零售、金融和保险业，实例像是预测信用评分、欺诈侦测和数值预测等应用。
Google提到，虽然表格资料是人工智能应用中，最常见的资料类型，但是将表格资料应用于深度学习中，并没有获得充分的研究，目前大多数应用程序，仍然使用决策树算法，Google进一步解释其中的原因，因为决策树很适合用于表格资料，而且具有很好的可解释性，这在金融服务这类高风险的实际应用中非常重要，另外一个原因则是，过去的深度学习架构并不适合用于表格资料。
之所以要在表格资料使用深度学习技术，Google认为，跟图像、语音和语言等领域相同，新的深度学习架构能带来明显的性能改善，由于深度学习近期在图像以及语言的发展，也驱使了研究团队开发可将深度学习用于表格资料的架构。
而且神经网络与决策树算法相比，神经网络使用称为反向传播方法，是能够直接从错误信号学习的有效方法，Google提到，深度神经网络可以于表格资料，提供基于梯度下降的端到端学习方法，这带来的好处包括从部分标记的资料中学习，或称半监督式学习，还能够使用另一个训练模型的信息，以学习解决相关的任务。
TabNet被设计能够学习类决策树的映射方式，以获取决策树可解释性的优点，而且又因为使用深度学习方法，因此能获得高性能的好处。TabNet采用称为顺序注意力（Sequential Attention）的机器学习技术，用户可以了解模型中的每一个步骤，选择模型特征的原因，这个机制可以解释模型获得最终预测结果的过程，还可用来改进模型，增加精准度，Google提到，因为顺序注意力机制，TabNet的性能表现比其他神经网络和决策树方法都还要好，还提供可解释的特征归因。
现在Google发布TabNet，作为云计算人工智能平台训练服务内置的算法，TabNet提供了超参数调整功能，因此即便用户不了解该方法背后的技术原理，仍可以达到高执行性能。超参数调校会在单一训练工作中，进行多次试验后开始作用，Google提到，虽然超参数比预测值性能还要好，但因为需要经过多次的试验，因此超参数调校功能需要付出较高的计算成本。