Dme
PulseAugur coverage of Dme — every cluster mentioning Dme across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
用于视网膜疾病分类的EfficientNet缩放显示出任务依赖性效应
一项发表在arXiv上的研究调查了缩放EfficientNet模型用于光谱域光学相干断层扫描(SD-OCT)图像视网膜疾病分类的有效性。研究人员发现,较大的EfficientNet变体并未持续提高分类准确性,其中EfficientNet-B1在玻璃膜疣分类中取得了最高的准确率和F1分数。研究强调,该医学成像任务的最佳模型大小取决于具体协议和任务,这与在ImageNet自然图像分类中观察到的性能层级不同。
-
新算法改进了生成模型中的稀有事件采样
研究人员推出了一种名为分布匹配进化算法(DME)的新型生成模型稀有事件采样方法。该方法将进化算法解释为近似马尔可夫链蒙特卡洛,无需直接更新权重即可从复杂分布中采样。与现有技术相比,DME 表现出更高的样本效率,尤其是在需要大量样本来识别解决方案的问题上。
-
新的进化算法提供高效的稀有事件采样
研究人员推出了一种用于生成模型中稀有事件采样的新方法——分布匹配进化算法(DME)。与需要更新模型权重的传统方法不同,DME将进化算法解释为近似马尔可夫链蒙特卡洛(MCMC),从而无需直接优化即可从复杂分布中采样。与需要大量样本来识别解决方案的现有技术相比,该方法在需要大量样本来识别解决方案的问题上表现出更高的样本效率。
-
新的分割模型有望用于追踪眼部疾病病灶
研究人员开发并评估了四个病灶分割流程,包括AMD和DME的2D和3D变体,在同域验证集上实现了0.76至0.82的Dice分数。这些流程显示出强大的体积和表面校准能力,相关性达到0.97或更高。该研究还引入了一个全体积、校准感知的采用标准,以识别切片级别评估所遗漏的机制,发现集成组合持续提高了性能。在外部临床队列(OLIVES)上使用生物标志物AUROC和纵向一致性等代理指标进行测试时,模型在追踪训练分布之外的临床生物标志物方面显示出…
-
抖音发布先进多模态嵌入模型,用于搜索和推荐 · 跟踪2个来源
研究人员开发了抖音多模态嵌入(DME)模型,这是一个为高效、细粒度多模态搜索和推荐设计的两阶段系统。该模型首先进行大规模对比预训练,以建立统一的嵌入空间,然后进行第二阶段,通过基于证据的潜在推理和跨条件重构来增强语义充分性。这种方法使DME在MMEB-v2基准测试中取得了最先进的成果,其9B变体得分为78.4。在抖音的生产环境中,DME在离线评估中显示出2.92%的相对提升,在搜索场景的在线A/B测试中显示出0.1%的生命周期增益。
-
抖音发布新型多模态嵌入模型,提升搜索和推荐效果
研究人员发布了抖音多模态嵌入(DME),这是一个新颖的两阶段框架,旨在增强抖音、小红书和YouTube等大型平台的跨模态表示学习能力。第一阶段涉及广泛的对比预训练,以在各种模态之间创建统一的嵌入空间;第二阶段通过基于证据的类型化潜在推理和跨条件重构来提高语义准确性。该方法使DME在MMEB-v2等基准测试中取得了最先进的成果,并在抖音的搜索场景中展现了实际效益,包括离线增益2.92%和在线增益0.1%。
-
OphMAE基础模型通过多模态成像推进眼科诊断
研究人员开发了OphMAE,一种用于眼科诊断的新型基础模型,它整合了3D光学相干断层扫描(OCT)和2D正面OCT成像。OphMAE在超过183,000张OCT图像上进行了预训练,在17项诊断任务上取得了最先进的性能,包括年龄相关性黄斑变性(AMD)的96.9% AUC。该模型通过在仅使用2D单模态输入时仍保持高准确性,以及在标记数据有限的情况下表现出强大的性能,展示了其适应性。