PR-AUC
PulseAugur coverage of PR-AUC — every cluster mentioning PR-AUC across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
联邦生成模型在电子健康记录方面展现出潜力
研究人员开发了用于分词电子健康记录的联邦生成事件模型（GEMs），解决了不同医疗系统之间的数据孤岛和性能下降问题。在对三个独立医疗系统的评估中，这些联邦GEMs在临床预测任务上表现强劲，接近集中训练的有效性。研究发现，联邦学习在技术上是可行的，并且能保留大部分集中训练的性能，尤其是在本地训练数据有限的情况下，能带来显著的好处。
-
新研究通过可解释的证据解决AI生成图像检测问题
研究人员正在开发新的方法来检测AI生成的图像，重点是提供可解释的视觉证据。一项研究介绍了HAVE数据集和PAVE框架，它们共同预测真实性、地面视觉证据并生成区域对齐的解释。另一篇论文批判性地审查了热图在AI图像检测中的有效性，揭示当前方法通常依赖于压缩历史而不是真实的合成线索，并且许多归因图未能提供忠实的解释。
-
新的 GMM 池化方法增强了超声图像早产预测能力
研究人员开发了一种新的高斯混合模型 (GMM) 池化方法，用于多示例学习 (MIL)，以改进超声图像的早产预测。该方法对每位患者的多个宫颈图像的特征分布进行建模，捕捉患者内部的变异性，这与使用单一图像估计的标准 MIL 聚合器不同。GMM 池化方法在早产预测方面显示出显著的改进，将 PR-AUC 从 0.44 提高到 0.56。它还在淋巴结转移基准测试中取得了最先进的结果，分类的 F1 分数达到 0.91，ROC-AUC 达到 0.89。
-
新指标揭示语义缓存性能差距
研究人员发现，语义缓存系统在离线评估与实际部署中的性能之间存在显著差距。PR-AUC等标准指标未能考虑固定阈值下的实际可用性，导致选择不当。提出了新的指标，精确缓存命中率（P-CHR）AUC和校准保留率（CRR），以更好地衡量缓存性能以及部署过程中发生的质量下降。研究结果表明，改进语义缓存主要是一个校准问题，而非仅仅是数据扩展问题。