Area Under The Curve
PulseAugur coverage of Area Under The Curve — every cluster mentioning Area Under The Curve across labs, papers, and developer communities, ranked by signal.
-
研究发现AI监控基准在现实世界测试中失败
一项对AI监控系统的新审计显示，基准性能指标（特别是AUC分数）无法转化为实际部署能力。研究人员发现，在某个数据集和场景上训练的模型，当应用于不同数据集和场景时，其表现不比随机猜测好，AUC分数从平均0.704显著下降到0.499。这表明当前的基准高估了AI在监控中异常检测的可靠性，而表现最强的模型反而加剧了这个问题。
-
新的ALDM模型增强了胶质瘤的少样本3D MRI合成
研究人员开发了解剖条件潜在扩散模型（ALDM），这是一个专为高效、少样本3D体积MRI合成设计的新型框架。该模型采用两阶段过程，首先使用3D变分自编码器学习解剖先验，然后使用由ControlNet引导的肿瘤掩模条件化的潜在扩散模型，为数据稀缺的领域生成连贯的体积。在仅使用16张目标图像的极端少样本评估中，ALDM超越了GAN和混合基线，取得了85.40的优越Frechet Inception Distance（FID）和0.987的下…
-
人工智能生成合成PET扫描以改进肺癌组织学分类
研究人员开发了一个新颖的框架，使用3D Pix2Pix生成对抗网络（GAN）从CT数据生成合成PET扫描，用于非小细胞肺癌（NSCLC）组织学分类。这种“虚拟扫描”方法旨在用代谢信息补充解剖CT扫描，解决了传统PET扫描的局限性，如成本和辐射暴露。对714名受试者数据集的实验表明，整合这些合成代谢特征显著提高了分类性能，AUC从0.489提高到0.591，GMean从0.305提高到0.524。
-
推荐系统应优先考虑惊喜度而非纯粹的准确性以提高用户参与度。
准确性并非评估推荐系统的唯一指标，惊喜度——即愉快地给用户带来惊喜的能力——对于长期用户参与度也至关重要。虽然NDCG和MAP等准确性指标广泛可用且易于学习，但惊喜度指标却很少见，这使得它们更难实施和评估。通过推广长尾产品来纳入惊喜度，可以改善商品组合健康度和卖家多样性，从而形成用户参与度和数据收集的良性循环。