Recall@5
PulseAugur coverage of Recall@5 — every cluster mentioning Recall@5 across labs, papers, and developer communities, ranked by signal.
-
新AI框架HPOQuest助力罕见病诊断
研究人员开发了HPOQuest，一个旨在通过主动获取患者表型来辅助罕见病诊断的新型框架。该系统无需训练，从有限的观察症状集开始，并为临床医生迭代选择信息量最大的后续问题。通过更新已确认表型的疾病排名并根据响应优化问题集，HPOQuest在基准队列中已显示出诊断准确性的显著提高，在Recall@1上的准确率提高了高达30个百分点，在Recall@5上的准确率提高了45个百分点。该框架突出了顺序表型获取在从稀疏的初始临床数据中增强罕见病诊断的潜力。
-
基于图的潜在检索框架提高了后缀预测精度
研究人员开发了一种新颖的基于图的度量学习框架，用于顺序决策场景中的完整后缀预测。该方法将问题重新表述为过程图上的潜在检索，利用边条件图神经网络来模拟事件级活动和转换持续时间。在真实过程数据集上的实验表明，与现有方法相比，在语义后缀精度、检索质量和时间合理性方面都有显著提高。
-
新的SCOReD框架优化了推荐模型的思维链蒸馏
研究人员开发了一个名为SCOReD（学生感知思维链优化用于推荐蒸馏）的新框架，以改进用于推荐系统的小型语言模型的训练。该方法通过将大型教师模型的推理轨迹解析为类型化片段，并利用学生模型的注意力来评估其重要性，从而优化推理轨迹。SCOReD动态选择每个片段的编辑，在保留关键细节的同时修剪冗余信息，从而为学生提供更清晰的学习信号。这种方法在NDCG方面提高了1.56%，在Recall@5方面提高了1.9%，同时还将推理长度减少了27.3%。
-
新的SCOReD框架优化LLM推理轨迹以用于推荐系统
研究人员开发了一个名为SCOReD（Student-Aware CoT Optimization for Recommendation Distillation）的新框架，旨在提高在推荐系统中利用大型模型（教师）的推理轨迹来训练小型语言模型（学生）的效率和有效性。SCOReD通过将教师轨迹解析为类型化片段，并利用学生模型的注意力来评估其重要性，解决了大型教师模型推理不确定性和分布外轨迹等挑战。该框架动态选择每个片段的编辑，修剪冗余信息…