AUPRC
PulseAugur coverage of AUPRC — every cluster mentioning AUPRC across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新框架解决自适应数据清理方法中的偏差问题
开发了一个新的评估框架，以解决自适应数据清理方法中的混淆偏差。这些方法使用数据驱动的分区而不是手动阈值，可以通过改变移除样本的数量来隐式改变性能指标。所提出的框架使用匹配预算和匹配召回率的对照，以及像AUROC和AUPRC这样的独立于阈值的指标，以确保性能提升反映了真实的腐败区分能力，而不是移除预算的变化。在CIFAR-10和ImageNet-100上的实验表明，在匹配操作点后，许多在朴素评估中观察到的性能差异减小或消失了。
-
新AI框架从细胞表型和转录组学数据中学习
两篇新研究论文提出了从生物数据中学习表征的先进方法。第一篇，PhenMol，专注于在从细胞表型中学习以进行药物发现的同时保留分子结构，显示出提高的预测准确性和减少的嵌入失真。第二篇论文介绍了一种用于单细胞转录组学数据的对比预训练框架，通过互补视角而非仅基因重构来学习细胞表征，该方法在细胞类型注释和基因调控网络推断方面表现出有竞争力的性能。
-
新的CrossSpine框架提升了腰椎间盘退变自动分级的性能
研究人员开发了一个名为CrossSpine的新框架，以改进腰椎间盘退变的自动分级。这种新颖的架构利用跨序列注意力机制，有效地融合了来自不同MRI序列、跨越多个空间尺度的特征。此外，该框架还采用了一种感知椎间盘（IVD-aware）的分类技术，该技术利用解剖学上的椎间盘水平信息来学习每个水平特有的退变先验。实验表明，CrossSpine显著优于基线模型，在Macro F1分数上提高了125%以上，并在AUPRC和AUROC方面取得了显著的提升。
-
新的CISM框架将缺失数据用作临床时间序列预测的信号
研究人员开发了一个名为CISM的新型框架，用于预测临床时间序列，该框架将缺失数据视为有价值的信号而非伪影。该方法将每个生理变量转换为时频频谱图，并包含一个显式的缺失流。在MIMIC-IV数据集上进行的院内死亡率预测实验表明，与现有方法相比，CISM在AUROC、AUPRC和F1分数方面取得了优越的性能。
-
论文分析合成数据增强在类别不平衡分类中的应用
一篇新论文探讨了合成数据增强在类别不平衡分类任务中的理论基础。该研究开发了一个框架，用于确定此类增强何时能真正改善 AUROC 和 F1 分数等分类指标。研究结果表明，虽然增强可能通过降低方差在指定良好的模型中带来有限的收益，但它也可能引入偏差。然而，在模型指定不当的情况下，合成数据可以通过调整类别平衡和纠正排名错误发挥更重要的作用。