Positive-unlabeled learning for disease gene identification
PulseAugur coverage of Positive-unlabeled learning for disease gene identification — every cluster mentioning Positive-unlabeled learning for disease gene identification across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新框架审计语言模型代理安全监控器中的误报
一篇新研究论文介绍了一种新颖的框架，用于审计语言模型代理中的安全监控器产生的误报。所提出的方法解决了区分真实误报和虚假误报的挑战，这通常需要大量的手动审查。通过将问题构建为积极-无标签（PU）排序任务，该框架可以适应现有的安全参考并整合来自多个模型的排序偏好，从而在不需要明确的误报安全标签的情况下提高误报识别的准确性。
-
新方法应对无标签学习中的分布偏移
研究人员开发了一种新的无标签-无标签（UU）学习方法，该方法解决了分布偏移问题，这是现实世界应用中常见的问题。该方法利用重要性加权通过估计训练数据的权重来最小化测试风险。该方法用途广泛，能够在单个框架内处理各种学习问题，如正例-无标签（PU）学习和噪声标签学习，而无需对偏移类型进行假设。在真实数据集上的实验结果证明了其有效性。
-
新的PU-DPO框架解决了放射学报告生成中的遗漏噪声问题
研究人员开发了一个名为PU-DPO的新框架，以解决用于生成放射学报告的视觉语言模型（VLMs）中的遗漏噪声问题。标准的训练方法常常导致这些模型报告不足，因为临床报告本身有时会遗漏细微的细节。PU-DPO使用正负样本混合学习重新构建目标，将缺席的提及视为未标记而非负面，并通过编辑过的模型响应来构建偏好监督。实验表明，这种方法在检测和恢复各种病理学中的发现方面取得了持续的改进。