Unicon
PulseAugur coverage of Unicon — every cluster mentioning Unicon across labs, papers, and developer communities, ranked by signal.
-
UniCon架构通过统一上下文建模推动CTR预测发展
研究人员推出了一种用于工业界点击率（CTR）预测的统一建模新架构UniCon。与以往将序列信号和非序列信号分开处理的方法不同，UniCon将历史行为和当前请求组织为同质的上下文单元。这种方法捕获了上下文中的局部物品交互，并对跨上下文的决策状态演变进行建模，旨在提高扩展效率和预测质量。UniCon在美团搜索广告平台上展示了离线AUC和在线收入、CTR、每千次展示收入（RPM）等性能指标的显著提升。
-
UniCon通过统一的以上下文为中心的建模推动点击率预测
研究人员推出了一种新颖的以上下文为中心的点击率（CTR）预测建模范式UniCon，特别适用于电子商务场景。与以往将序列信号和非序列信号分开处理的方法不同，UniCon通过将历史行为和预测目标组织成同质的上下文单元来统一它们。这种方法捕捉了上下文中的局部物品耦合，并跨上下文对动态决策状态进行建模，从而提高了预测质量和扩展效率。在美团搜索广告平台上的实际应用中，UniCon在离线AUC以及每千次展示收入（RPM）和CTR等在线指标方面均取…
-
新UNICON模型展示跨学科数值智能
研究人员推出了一种新颖的基础模型 UNIFIED In-Context Operator Networks (UNICON)，旨在展示数值智能。该模型能够从数值数据中推断并应用预测关系，涵盖各种科学和社会系统，即使是其训练数据中不存在的系统。当与语言模型代理结合时，UNICON 在未见过的学科中表现出专家级性能，表明其有潜力成为更广泛 AI 生态系统的构建模块。
-
新框架UniCon增强跨院皮肤病图像诊断能力
研究人员开发了UniCon，一个用于皮肤病图像诊断的统一概念学习新框架。该系统旨在通过为不同模态和队列的异构概念系统创建共享语义表示空间，来提高跨院泛化能力和可解释性。UniCon利用开放语言规范来增强边界敏感性，并提供了一个强大的干预接口供临床医生纠正，展示了顶级的诊断准确性和前所未有的跨院干预能力。
-
风险感知鲁棒学习：降低医学图像分类中标签噪声下的临床风险
两篇新研究论文探讨了人工智能驱动的医学图像分类中临床安全的关键问题，特别是在处理数据隐私和标签噪声时。第一篇论文研究了机器遗忘技术，发现标准方法可能会无意中增加假阴性率和临床风险。它提出了一种新的方法 SalUn-CRA，通过优先考虑临床风险感知来缓解这一问题。第二篇论文研究了噪声鲁棒学习方法，证明它们在减少错误方面的有效性并不总是能转化为临床安全，因为假阳性和假阴性之间存在不对称成本。这项研究提倡将成本敏感优化纳入鲁棒训练，以更好地…