PulseAugur
中
实时 10:32:58
English(EN) Deep Neural Networks with Ordinal Loss for Medical Applications

新的序数交叉熵框架增强了用于医疗预测的深度学习能力

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员引入了一个名为序数交叉熵（OCE）的新框架，旨在提高深度神经网络在目标标签具有内在序数结构的医疗应用中的准确性。传统的交叉熵等损失函数没有考虑到错误分类的不同严重程度，而这可能对临床产生重大影响。OCE框架通过引入一个序数成本矩阵来反映这些不同的错误分类成本，从而扩展了标准的交叉熵，实现了更平滑的优化和更好的序数一致性。实验表明，在预测误差成本和校准方面，OCE的表现优于现有的最先进的序数方法。 AI

影响 这一新框架有望提高人工智能模型在关键医疗诊断任务中的准确性和可靠性。

排序理由 该集群包含一篇详细介绍深度学习模型新框架的研究论文。

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

新的序数交叉熵框架增强了用于医疗预测的深度学习能力

报道来源 [2]

  1. arXiv cs.LG TIER_1 English(EN) · Tal Dvora, Rotem Haba, Gonen Singer ·

    用于医疗应用的具有序数损失的深度神经网络

    arXiv:2606.25769v1 Announce Type: new Abstract: In many prediction problems in medical applications, target labels exhibit an inherent ordinal structure, where class ordering reflects clinically meaningful severity levels. The cost associated with misclassification is often non-u…

  2. arXiv cs.LG TIER_1 English(EN) · Gonen Singer ·

    用于医疗应用的具有序数损失的深度神经网络

    In many prediction problems in medical applications, target labels exhibit an inherent ordinal structure, where class ordering reflects clinically meaningful severity levels. The cost associated with misclassification is often non-uniform and asymmetric, as errors between distant…

相关实体

相关话题