PulseAugur
中
实时 10:17:05
English(EN) MedFeat: Model-Aware and Explainability-Driven Feature Engineering with LLMs for Clinical Tabular Prediction

MedFeat 使用 LLMs 进行有针对性的临床数据特征工程

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了 MedFeat，一个用于临床表格预测任务的特征工程新框架。该系统使用大型语言模型 (LLMs) 来生成特征转换，但与以前的方法不同，它结合了模型感知和特征重要性信号。这使得 MedFeat 能够迭代地指导特征发现，专门根据下游模型的需求和医疗保健数据的特性（如类别不平衡和可解释性要求）来定制建议。评估表明，MedFeat 的性能显著优于现有基线，在各种临床数据集和模型上平均提高了 10% 以上。 AI

影响 通过使 LLMs 能够生成针对特定模型和数据挑战量身定制的更有效特征，从而提高临床预测的准确性。

排序理由 该集群包含一篇详细介绍在临床背景下使用 LLMs 进行特征工程的新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

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]

  1. arXiv cs.AI TIER_1 English(EN) · Zizheng Zhang, Yiming Li, Justin Xu, Jinyu Wang, Rui Wang, Lei Song, Jiang Bian, David W Eyre, Jingjing Fu ·

    MedFeat: Model-Aware and Explainability-Driven Feature Engineering with LLMs for Clinical Tabular Prediction

    arXiv:2603.02221v2 Announce Type: replace-cross Abstract: In clinical tabular prediction, classical machine learning models with feature engineering often outperform neural methods. LLMs are increasingly used to automate this process, acting as domain experts that propose diverse…

相关实体

相关话题