实体
Explainable Boosting Machine
Explainable Boosting Machine
PulseAugur coverage of Explainable Boosting Machine — every cluster mentioning Explainable Boosting Machine across labs, papers, and developer communities, ranked by signal.
总计 · 30天
2
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
2
90 天内 3
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
LLM GPT-6 Astra 审计临床模型,发现 96% 的植入缺陷
arXiv 上发表的一项新研究详细介绍了如何使用大型语言模型 GPT-6 Astra 来审计黑盒临床预测模型。研究人员训练了四种类型的模型,并故意在 24 个副本中引入缺陷,然后让 GPT-6 Astra 仅通过查询来尝试识别它们。该 LLM 在 96% 的运行中成功发现了缺陷,展示了其审计复杂模型的能力,尽管其关于其他问题的报告需要与模型及其数据进行进一步验证。
-
新研究通过行为上下文增强 AWS IAM 策略风险评分
一篇新研究论文探讨了如何改进与 AWS Identity and Access Management (IAM) 策略相关的风险的优先级排序。该研究引入了一种方法,除了策略的授权能力外,还融入了行为和环境上下文。通过分析 CloudTrail 遥测数据,与以策略为中心的基线相比,所提出的全上下文模型显著减少了安全分析师的预测错误,有效地区分了良性活动和可疑活动。
-
心血管筛查模型准确性归因于数据泄露,而非模型类型
一项发表在arXiv上的新研究调查了心血管筛查模型的准确性,结果显示报告的高准确性主要是由于目标泄露而非模型类别。研究人员发现,仅移除两个诊断后特征就显著降低了所有测试模型的AUROC,将它们压缩到一个狭窄的性能区间。研究强调,评估实践而非模型能力是主要限制因素,并强调了透明度在审计公平性和不确定性方面的优势。