feat(training): TabM 排序模型架构优化与 Rank-Gauss 标签工程

- TabMSetRank: 将 TabM 输出改为隐藏层特征，经 SetRankHead 交互后通过 final_mlp 输出 Ensemble 排序分
- SetRankHead 引入可学习残差缩放因子（Zero-init）与 Pre-Norm 结构，提升训练稳定性
- TabMRankTask 新增 Rank-Gauss 连续标签变换，支持标准分位数/指数增益/Rank-Gauss 三种标签模式
- 修复 NDCG 评估在负值标签下的计算问题
- 调整实验脚本超参数（dropout、hidden dim、weight decay）及排除因子列表
- 迁移废弃的 torch.cuda.amp 到 torch.amp，并将数据预加载至 GPU 减少循环拷贝

src/experiment/tabm_rank_train.py

@@ -46,12 +46,16 @@ TRAINING_TYPE = "tabm_rank"
 # Label 配置（从 common.py 统一导入）
 # LABEL_NAME 和 LABEL_FACTOR 已在 common.py 中绑定，只需从 common 导入
 
-# 分位数配置（提高分辨率以更好地区分头部）
+# 分位数配置（分桶模式下使用；Rank-Gauss 模式下不使用，但保留兼容性）
 N_QUANTILES = 50
 
-# 【Top-K 优化】标签工程配置 - 默认启用平方增益
-LABEL_TRANSFORM = "exponential"  # 启用平方增益标签 (rank^2)
-LABEL_SCALE = 20.0  # 保留参数（当前未使用，平方变换不需要缩放）
+# 标签工程配置
+# 可选值:
+#   - "rank_gauss": Rank-Gauss 连续化标签（推荐，神经网络更友好）
+#   - "exponential": 指数化增益标签 (rank^2)
+#   - None: 标准分位数标签 (0, 1, ..., n_quantiles-1)
+LABEL_TRANSFORM = "rank_gauss"
+LABEL_SCALE = 20.0  # 保留参数（rank_gauss / exponential 下均未使用）
 
 # 排除的因子列表
 EXCLUDED_FACTORS = ["GTJA_alpha041", "GTJA_alpha127"]