Maxx Richard Rahman
PulseAugur coverage of Maxx Richard Rahman — every cluster mentioning Maxx Richard Rahman across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的ExiST方法改进了小型器官的医学图像分割
研究人员开发了一种名为感知存在性自训练(ExiST)的新型半监督学习方法,以改进医学影像中的多器官分割。该技术解决了现有自训练方法中可能遗漏小型器官的失败模式,从而导致分割不准确。ExiST通过将遗漏的器官视为未解决而非不存在,并使用基于共识的伪标签系统和质量门来优化预测来解决此问题。该方法在AMOS和Synapse等基准数据集上表现出优越的性能,在标记数据显著减少的情况下实现了更高的平均Dice分数。
-
新GRAFT方法增强VLM零样本分类能力
研究人员推出了一种名为GRAFT的新方法,用于提高视觉语言模型(VLMs)的零样本分类能力。GRAFT通过将适应性原型建模为具有位移场的文本锚点,并使用高斯马尔可夫随机场先验在语义类别图上进行池化,来解决现有测试时适应技术的局限性。这种方法允许在缓存特征上进行闭式、无梯度推理,并在十一个基准和四个ImageNet偏移量上展示了优于零样本基线的效果,尤其是在词汇类别较少的情况下。
-
新型CAMOS模型改进多模态临床时间序列分析
研究人员开发了CAMOS,一种新的多模态临床时间序列模型,旨在处理不完整和不规则采样的数据。与以往掩盖缺失模态的模型不同,CAMOS根据数据的可用性动态调整其转移算子。这种方法可以更准确地表示不同临床测量之间的相互作用。CAMOS在阿尔茨海默病神经影像计划(ADNI)数据集上,在分期、里程碑预测和预测方面表现出卓越的性能,并在零样本迁移到OASIS-3数据集方面显示出鲁棒性。
-
LongMoE框架解决了多模态临床学习中的缺失数据问题
研究人员推出了一种新颖的框架LongMoE,旨在解决多模态临床学习的复杂性。该方法有效解决了两个关键挑战:不同患者模态中的数据缺失以及疾病进展的时间动态。通过整合上下文感知填充、轨迹感知编码和一个稀疏专家混合系统,LongMoE即使在患者数据不完整或不一致的情况下,也能对疾病随时间的演变进行建模。
-
AgentPLM 集成反馈以实现高级蛋白质设计
研究人员开发了 AgentPLM,这是一种新颖的蛋白质语言模型,旨在实现更有效的蛋白质序列设计。与一次性生成序列的传统模型不同,AgentPLM 通过一种称为推理增强解码的过程整合外部生物物理反馈。这使得模型能够咨询 ESMFold 和 FoldX 等工具,并通过对比剂策略优化学习何时使用此反馈。该模型通过展示在线纠错能力,在酶和抗体设计等各种蛋白质设计任务中表现出最先进的性能。