研究人员开发了一种名为“ours”的新颖方法，用于在无法保留早期原始数据的多源心电图（ECG）场景中部署AI模型。该方法冻结预训练的主干网络，并为每个新数据源分配一个独立的分类器，以防止干扰。训练一个轻量级路由器，利用保留的特征和领域标签来选择合适的专家，并通过验证校准的边际规则融合最有可能的两个专家。虽然在多个数据集上，源感知专家选择实现了0.7915的Macro-F1分数，但无ID的自主源推理仍然是主要瓶颈，所提出的融合方法相比标准MLP路由仅观察到微小增益。 AI
影响 这项研究可能为医疗诊断带来更高效、更适应的AI系统，特别是在数据保留能力有限的场景中。
排序理由 该集群包含一篇学术论文，详细介绍了一种在特定领域（ECG）中部署AI模型的新方法。
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2607.01674v1 Announce Type: new Abstract: In multi-source ECG deployment, models may need to incorporate new data sources when earlier raw ECGs cannot be retained or replayed. Freezing a pretrained backbone and assigning each source an isolated classifier prevents parameter…
In multi-source ECG deployment, models may need to incorporate new data sources when earlier raw ECGs cannot be retained or replayed. Freezing a pretrained backbone and assigning each source an isolated classifier prevents parameter interference, but deployment still requires sel…