Age
PulseAugur coverage of Age — every cluster mentioning Age across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
多模态大语言模型预测城市安全但显示人口统计学偏见
一篇新的研究论文探讨了多模态大语言模型（MLLMs）从街景图像评估城市安全感知的能力。虽然这些模型在不同城市表现出合理的零样本安全预测准确性，但它们倾向于偏好“安全”分类，并低估不安全因素。此外，研究表明，MLLMs编码了非中性的人口统计学先验，在提示特定性别、年龄或种族/民族角色时，安全感知会发生显著变化。
-
Survey details periocular biometrics for media forensics and disinformation detection
一篇新的调查论文探讨了眼周软生物识别技术在多媒体取证和虚假信息检测中的应用。该论文详细介绍了从眼周图像进行人口统计属性估计，涵盖了数据集、深度学习方法以及性别、年龄和种族预测的现状。它还讨论了数据集偏差、公平性以及对面向法证的基准测试的需求等挑战。
-
GenFAR 框架从 49,246 份 MRI 中学习通用脑表示
研究人员开发了 GenFAR，一个新颖的深度学习框架，旨在从脑 MRI 中创建通用且具有临床指导意义的特征表示。该模块化架构在包含 11 个队列的 49,246 名个体的大型数据集上进行了训练，利用 17 项不同任务来捕捉丰富的脑表示。该框架采用顺序学习方法，确定了六项任务的最佳序列和量化任务贡献的“供体分数”指标，最终提高了下游深度学习模型的样本效率和准确性。
-
新型混合模型结合CoLES和状态空间模型进行用户交易分析
研究人员开发了一种新颖的混合方法，用于用户交易事件序列的以用户为中心的建模，该方法结合了对比表示学习（CoLES）和状态空间模型（SSMs）。该方法通过利用Mamba（一种选择性SSM）来有效处理长距离依赖关系，解决了现有编码器（如RNN和Transformer）的局限性。在公共数据集上的实验表明，与独立的SSM基线相比，混合模型在性能上持续提升，并且收敛速度快2-3倍，可解释性分析突出了选择性事件过滤和信息性交易特征的识别。
-
新框架探究前列腺 MRI 分级模型中的临床协变量依赖性
研究人员开发了一种新颖的因果推理框架，用于分析前列腺 MRI 分级深度学习模型如何整合临床协变量。这种对抗性方法旨在区分模型中有用的疾病相关信号和非泛化的捷径信息。通过抑制个体临床变量的可解码性，研究发现年龄、BMI 和饮酒等因素在被抑制时，提高了 ISUP Grade Group 分类的曲线下面积 (AUC)，表明它们代表了非泛化信息。相反，抑制 PSA 和前列腺体积会降低 AUC，表明它们与任务相关。
-
新的AGE方法增强了用于检索增强生成的图嵌入
研究人员推出了一种新方法AGE（图嵌入的自适应掩码），用于增强利用图结构数据的检索增强生成（RAG）系统。AGE采用基于Transformer的自监督学习方法，以解决图和文本特征之间的不匹配问题，特别是对于冻结的大型语言模型。该系统专注于预测非关键节点以提高效率，并在多个基准数据集的GraphQA任务上展示了显著的准确性提升。
-
新方法AGE增强了LLM在RAG中使用图数据
研究人员推出了一种名为自适应掩码图嵌入（AGE）的新颖方法，旨在改进大型语言模型（LLM）在检索增强生成（RAG）系统中利用图结构数据的方式。AGE通过采用基于Transformer的自监督学习方法，解决了图和文本表示之间潜在特征不对齐的挑战。该技术侧重于预测图中的非关键节点，并由可学习的节点采样器指导，以增强嵌入并提高LLM在GraphQA任务上的性能。
-
新基准评估 LALM 在细微语音特征上的表现 · 已追踪 2 个来源
研究人员推出了 ParaPairAudioBench，这是一个旨在评估大型音频语言模型 (LALM) 在区分语音中细粒度副语言特征能力的新基准。该基准包含 5,175 个音频对，涵盖五个维度：风格、语速、强调、年龄和性别。实验表明，当前的 LALM 裁判在平均 32 个百分点上未能达到人类判断水平，并且存在严重的校准问题，尤其是在需要弃权的情况下。
-
机器学习框架助力糖尿病检测和亚型分析
研究人员开发了一个新颖的三阶段机器学习框架，以应对糖尿病管理的复杂性。第一阶段对各种分类器进行基准测试以检测糖尿病，并识别出葡萄糖、BMI和年龄等关键预测生物标志物。后续阶段侧重于将糖尿病患者聚类成亚型，并探索血糖控制与认知功能之间的联系，揭示了显著的正相关性。