★ 2
arXiv 论文提出异构特征空间组鲁棒学习框架
论文针对临床场景中患者接受不同检查组合、特征空间异构的问题，提出组鲁棒学习框架。方法不再简单加权高损失样本，而是优化最差组的超额损失，并用组专属编码器映射到共享隐空间、以可学习高斯锚点聚类。在表格与影像医学数据集上最差组损失降低最多 79%，超额损失降低 95%，参数量减少最多 18 倍。
arXiv cs.LG5 小时前
共 1 篇相关资讯，按重要度与时间排序，每 3 小时更新。
论文针对临床场景中患者接受不同检查组合、特征空间异构的问题，提出组鲁棒学习框架。方法不再简单加权高损失样本，而是优化最差组的超额损失，并用组专属编码器映射到共享隐空间、以可学习高斯锚点聚类。在表格与影像医学数据集上最差组损失降低最多 79%，超额损失降低 95%，参数量减少最多 18 倍。