receiver operating characteristic
PulseAugur coverage of receiver operating characteristic — every cluster mentioning receiver operating characteristic across labs, papers, and developer communities, ranked by signal.
8 天有情绪数据
-
新框架通过同质性-简约性权衡评估聚类
一篇新论文介绍了一个框架，通过关注同质性与简约性之间的权衡来评估聚类与已知类别的一致性。该框架提出的分数源自信息瓶颈原理，量化了聚类在不过度碎片化的情况下对类别标签的信息量。这种方法提供了对常见评估标准的统一视图，并可应用于特征选择和算法比较等任务。
-
新AI方法通过几何和内存高效检测应对不断演变的深度伪造
研究人员开发了检测复杂人脸伪造的新方法，解决了当前AI模型的局限性。其中一种方法GLID利用图像块的几何特性来识别伪造，在无需大量训练数据的情况下，在各种生成器家族中均取得了高精度。另一种方法InfoDense专注于内存高效的增量检测，通过优先处理伪造图像的关键区域来应对不断演变的深度伪造场景中的灾难性遗忘问题。第三种技术Dual-CARE通过管理生成数据和真实数据之间的域混淆来增强生成式重放方法，提高了对不断演变的深度伪造的检测能力。
-
通过量化和剪枝提高脑电图癫痫检测模型的效率
研究人员开发了使深度神经网络更有效地从脑电图数据中检测癫痫发作的方法。他们探索了将卷积神经网络（CNN）转换为脉冲神经网络、剪枝脑电图通道以及使用INT8量化。这些技术将模型大小减少了高达73%，并将推理速度提高了2.8倍，同时保持或略微提高了癫痫检测的曲线下面积（AUC）。
-
新型AquaAugmentor算法提高了饮用水水质预测的准确性
研究人员推出了一种名为AquaAugmentor的新型特征增强算法，旨在提高机器学习模型在预测饮用水水质方面的准确性。该算法对于低维数据集特别有效，利用水的化学属性，如pH值、硬度、氯胺和硫酸盐。研究表明，AquaAugmentor通过测试准确性和曲线下面积（AUC）得分的评估，提高了预测性能，有助于确保安全饮用水的获取，并为环境质量评估提供信息。
-
新框架探究前列腺 MRI 分级模型中的临床协变量依赖性
研究人员开发了一种新颖的因果推理框架，用于分析前列腺 MRI 分级深度学习模型如何整合临床协变量。这种对抗性方法旨在区分模型中有用的疾病相关信号和非泛化的捷径信息。通过抑制个体临床变量的可解码性，研究发现年龄、BMI 和饮酒等因素在被抑制时，提高了 ISUP Grade Group 分类的曲线下面积 (AUC)，表明它们代表了非泛化信息。相反，抑制 PSA 和前列腺体积会降低 AUC，表明它们与任务相关。
-
新研究在生存模型中标记“行政截止泄漏”
一篇新的研究论文指出了在具有时间索引输入的生存模型中存在的潜在陷阱，尤其是在临床预测方面。该研究强调了一种称为“行政截止泄漏”的现象，在这种现象中，模型可能学会预测数据的获取日期，而不是事件的实际风险。这是因为最近的数据比旧数据具有更少的潜在随访时间，从而导致预测偏差。该论文提出了检测这种泄漏的方法，并为生存预测模型提出了缓解这种偏差的设计原则。
-
新的非线性方法在AI归因方面优于Shapley值
研究人员开发了新的非线性公理归因方法，以解决传统Shapley值存在的局限性，特别是其线性可能掩盖重要参与者贡献的问题。这些受最小核概念启发的新颖方法，旨在通过解决最小化问题来提供更准确的效用函数近似。实验表明，与现有的Shapley值变体相比，这些非线性方法在提高包含AUC指标方面显示出潜力。
-
图像编码器的选择显著影响GCN在乳腺超声分类中的性能
一项新研究探讨了图像编码器选择对图卷积网络（GCN）在乳腺超声分类中性能的影响。研究人员发现，包括卷积和基于Transformer的架构在内的更高容量的图像编码器，能够提高图同质性并改善分类准确性。研究强调，受图像编码器影响的图结构质量是基于GCN的医学图像分析成功的关键因素。
-
AI 使用 GPR 无需标记数据即可检测地下隧道 · 已追踪 2 个来源
研究人员开发了一种使用探地雷达 (GPR) 检测地下隧道的无监督方法。该系统采用去噪卷积自编码器来学习正常的地下模式，并根据重建误差标记异常。通过将异常评分限制在隧道物理上合理的特定深度范围，该方法显著提高了检测精度，在无需任何标记隧道数据进行训练的情况下，实现了 0.994 的 AUC 和 0.975 的 F1 分数，且误报率低。
-
AI进化的算法在链接预测方面超越人类方法 · 跟踪到1个来源
研究人员利用包含大型语言模型和遗传算法的自动化代码演化系统，为复杂网络中的链接预测开发了新颖的方法。这些机器设计的方法在580个网络上取得了0.915的平均曲线下面积（AUC）得分，而人类设计的方法为0.783，表现优于人类设计的方法。进化的算法还表现出更高的计算效率，使其能够应用于具有数百万链接的网络，并采用了创新的特征选择和组合策略。
-
新的ALDM模型增强了胶质瘤的少样本3D MRI合成
研究人员开发了解剖条件潜在扩散模型（ALDM），这是一个专为高效、少样本3D体积MRI合成设计的新型框架。该模型采用两阶段过程，首先使用3D变分自编码器学习解剖先验，然后使用由ControlNet引导的肿瘤掩模条件化的潜在扩散模型，为数据稀缺的领域生成连贯的体积。在仅使用16张目标图像的极端少样本评估中，ALDM超越了GAN和混合基线，取得了85.40的优越Frechet Inception Distance（FID）和0.987的下…
-
研究探讨使用AI过滤低可访问性网页
研究人员开发了一项关于自动过滤低可访问性网页（特别是针对色觉缺陷）的可行性研究。他们的预测模型在识别此类网页时取得了0.76的最大曲线下面积（AUC）。这项工作旨在通过纳入色彩普遍性设计（CUD）原则来增强网页的可访问性。
-
新研究探讨大型语言模型推断、隐私和代码风格计量
近期研究探索了大型语言模型（LLMs）的内部工作机制和安全性。一项研究调查了LLMs如何形成类似于人类海马体的抽象表征以支持推断，发现LLMs的更高层级表现出与抽象上下文几何相关的几何结构。另一系列论文则关注隐私和安全，提出实体级成员推断的方法来检测特定实体的信息是否被用于LLM训练，并探讨了LLMs如何被用来模糊代码风格计量，使作者归属更具挑战性。
-
新的Cross-AUC指标为深度伪造检测器提供现实评估
研究人员引入了一种名为Cross-AUC的新指标，以更好地评估深度伪造检测器的性能。在使用接收者操作特征曲线下面积（AUC）的传统方法中，当检测器遇到来自不同来源或不同伪影类型的数据时，可能会产生误导。Cross-AUC通过对每域AUC进行平均，并结合预测极化度量（通过Wasserstein距离量化）来解决这一问题，从而更现实地评估域偏移下的泛化能力。在七个基准数据集上的实验表明，Cross-AUC为深度伪造检测鲁棒性提供了更具可解释…
-
研究人员回顾ROC曲线并证明其下面积的解释
本文对接收者操作特征（ROC）曲线进行了全面回顾，ROC曲线是评估二元分类器的常用指标。它将ROC曲线下面积的概率解释形式化，该面积代表随机正样本的排名高于随机负样本的可能性。此外，当某些假设不满足时，本文还为与此解释的偏差建立了界限。