Crédito da imagem: Valença et al. 2026 (preprint no arXiv)
Crédito da imagem: Valença et al. 2026 (preprint no arXiv)
Avaliamos se modelos de fundação tabulares podem ser usados como estimadores probabilísticos de redshift fotométrico “prontos para uso” para quasares no levantamento S-PLUS DR6, de 12 bandas, onde degenerescências cor–redshift produzem posteriores multimodais e os conjuntos de treino espectroscópicos estão deslocados em relação à população fotométrica. TabPFN 2.5, RealTabPFN 2.5 e TabICL são comparados a oito métodos de referência específicos para a tarefa, incluindo gaussianas condicionais lineares, FlexZBoost, redes de densidade de mistura, normalising flows, random forests e árvores com gradient boosting, com conjuntos de treino de 500 a 121.626 quasares, usando métricas de densidade e de previsão pontual, além de escores ponderados por importância que aproximam a aplicação sobre a amostra fotométrica-alvo. O TabPFN 2.5 é o melhor ou estatisticamente empatado em primeiro lugar em todas as métricas, exceto a perda de CDE não ponderada, na qual o normalising flow fica empatado e atinge o menor valor médio; os seus maiores ganhos ocorrem para conjuntos de treino pequenos e em regimes difíceis (fontes muito brilhantes e muito fracas, alto redshift), mantendo calibração próxima da nominal sob mudança de covariáveis. O seu principal custo prático é a inferência: com pesos congelados, catálogos grandes de suporte e de alvos exigem memória substancial de GPU/aceleradores, e a aplicação ao catálogo completo pode exigir subamostragem do conjunto de suporte ou destilação. As atribuições SHAP identificam as bandas W1/W2 do WISE como os preditores individuais mais fortes, com as bandas UV e ópticas oferecendo refinamentos não desprezíveis. Concluímos que o TabPFN 2.5 é uma escolha padrão robusta para a estimativa probabilística de photo-z de quasares, sobretudo quando os dados de treino são limitados ou quando a calibração sob mudança de covariáveis é crítica.