AASM
PulseAugur coverage of AASM — every cluster mentioning AASM across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
RG-Flow Transformer在稀疏神经数据上展现出可解释性提升
研究人员开发了一种新颖的RG-Flow Transformer架构，通过引入重整化群（RG）归纳偏置来处理稀疏神经数据。该模型在Physio-EDF语料库上进行了睡眠分期分类测试，并与标准Transformer进行了比较。虽然RG-Flow Transformer在睡眠分期方面未显示出更高的准确性，但它在可解释性方面展现出显著优势，成功地在样本外恢复了脑电图数据的连续频谱指数，而标准Transformer不具备此能力。
-
Mastodon帖子认为：AI是工具，人类责任是关键
文章认为，人工智能就像一把锤子，仅仅是一个工具，不应为造成的伤害负责。相反，责任在于开发、训练、部署和指导人工智能系统的个人。作者强调，人工智能的行为是人类输入（包括训练数据、提示和部署决策）的直接结果，因此，人类问责至关重要。
-
新框架 D-SECURE 结合图像分析与事实核查
研究人员开发了 D-SECURE，一个旨在通过结合内部图像操纵检测与基于外部证据的推理来对抗多模态虚假信息的新框架。这种方法解决了现有系统通常依赖单一证据来源（如基于内容的检测器或基于检索的事实核查器）的局限性。D-SECURE 集成了 HAMMER 操纵检测器和 DEFAME 检索管道，提供了一个统一且可解释的报告，该报告结合了操纵线索和外部证据，以实现更强大的验证。
-
面向人口统计学的迁移学习提高了睡眠分期分类的准确性
研究人员开发了一种新的迁移学习框架，以提高自动睡眠分期分类的准确性。该方法涉及在一个普通人群上预训练模型，然后针对特定人口统计学亚组进行微调，例如按性别、年龄或睡眠呼吸暂停严重程度。与单一的、不区分人群的模型相比，这种个性化方法在分类准确性方面显示出显著的改进，表明了一种对临床更具相关性的睡眠评估范式。