研究人员开发了新的适配接口，以提高表格基础模型（TabFMs）在事件发生时间预测任务中的性能。这些接口解决了处理删失数据和事件时间动态性的挑战，通过将TabFMs与CoxPH和DeepHit等既有方法相结合，在先前工作的基础上进行了改进。该研究评估了多种适配策略，包括时间零样本重构、基于分类的微调和生存头适配，并将其应用于多个数据集。结果表明，虽然零样本推理对于较小的数据集是有效的，但随着数据量的增加，监督适配变得更具优势，而CoxPH通常为较大的数据集提供了最可靠的接口。 AI
影响 增强了基础模型在医疗保健和其他领域的复杂生存分析任务中的适用性。
排序理由 该集群包含一篇详细介绍基础模型适配新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
- arXiv
- CoxPhLb: An R Package for Analyzing Length Biased Data under Cox Model
- DeepHIT: a deep learning framework for prediction of hERG-induced cardiotoxicity
- Hugging Face
- Integrated Brier Score
- Mannitol repressor MtlR-like
- tabular foundation models
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
