Fame
PulseAugur coverage of Fame — every cluster mentioning Fame across labs, papers, and developer communities, ranked by signal.
- 2026-06-09 research_milestone A new paper introduces FAME, a forecastability-aware mixture of experts for heterogeneous time series forecasting. 来源
1 天有情绪数据
-
新的FAME基准测试为少样本医学图像分割的评估标准化
研究人员推出FAME，一个旨在评估少样本医学图像分割（FS-MIS）方法的新基准。FAME对包括专家模型、SAM基础、CLIP基础和多模态大型语言模型（MLLM）基础技术在内的各种方法进行了标准化评估。该基准包含跨越不同解剖部位、成像模态和感兴趣区域的14,958个测试样本，评估模型在零样本和十样本场景下的表现，以及它们识别目标缺失和在不同偏移下泛化的能力。初步研究表明，直接视觉适应比基于提示的策略在少样本分割中更有效，并且虽然更多的…
-
FAME框架通过专家路由改进时间序列预测
研究人员开发了FAME，一种新颖的稀疏专家混合框架，专为异构时间序列预测而设计。该方法为每个序列创建一个“预测能力指纹”，以智能地将其路由到一小部分专业预测专家。在大型自动售货机销售数据集上应用FAME，与最佳单一专家LightGBM相比，平均均方误差降低了12.4%，而每个序列平均仅使用1.92个专家。
-
FAME框架利用LLM实现高效日志异常检测
研究人员开发了FAME，一种用于消息级日志异常检测的新型框架，显著减少了手动标记的需求。该系统采用专家混合方法，利用大型语言模型离线将日志模板划分为故障域。FAME训练轻量级路由器和专家模型，这些模型可以在本地运行，在BGL和Thunderbird等基准数据集上取得高F1分数，同时大幅减少标注工作量。
-
新的FAME方法增强了AI模型在图像任务中的可解释性
研究人员推出了一种名为FAME的新方法，用于解释图像处理任务中的深度学习模型。FAME结合了基于梯度的技术和输入操纵来生成归因图，旨在提高图像分类和人脸识别的可解释性。该方法挑战了像类激活映射（CAM）等先前技术在更深层网络中所做的假设，并展示了具有竞争力的性能。