English(EN) ADAPTOOD: Uncertainty-Aware Fine-Tuning for Out-of-Distribution ECG Time Series Models

新框架ADAPTOOD提高模型对分布偏移的适应性

作者 PulseAugur 编辑部 · [1 个来源] · 2026-06-04 04:00

研究人员开发了ADAPTOOD，一个旨在提高时间序列模型在面对分布外数据时的鲁棒性的新框架。该系统使用数据不确定性量化分布偏移的严重程度，指导一个包含低秩模型更新和自适应超参数优化的微调过程。在分布外任务上，ADAPTOOD相比现有方法，准确率最高提高了7%，精确率提高了12.9%。 AI

影响通过解决分布外数据挑战来增强模型的泛化能力，可能提高在实际应用中的可靠性。

排序理由这是一篇研究论文，详细介绍了一个用于改进机器学习模型适应性的新框架。[lever_c_demoted from research: ic=1 ai=1.0]

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Sotirios Vavaroutas, Yu Yvonne Wu, Ali Etemad, Cecilia Mascolo · 2026-06-04 04:00

ADAPTOOD: Uncertainty-Aware Fine-Tuning for Out-of-Distribution ECG Time Series Models

arXiv:2606.04164v1 Announce Type: cross Abstract: Data samples used for training often differ from those encountered during fine-tuning and deployment, and while ML models show promise, their performance remains limited when only small annotated datasets are available. Performanc…