- 连续时间动态链接预测算法性能探索
通过提出 Birth-Death 图、负采样方法的分类、进行实证研究以及可视化探索，全面评估了动态链接预测算法的性能差异和负采样策略对测试 AUC 的影响。
- 多类别 ROC
我们提供了一种基于二元矩阵因子分解模型的评估指标，通过一维向量表示来总结多类别分类的对比真阳性率和假阳性率，从而提供了多类别情况下的 ROC 曲线，并通过对这些分解向量的积分得出了对分类器性能的二元 AUC 等效总结。
- COLING薛定谔的门槛：当 AUC 不能预测准确度
使用 AUC 度量方式评估和比较不同模型，但该方法在应用中可能与实际精度偏差较大，因此需探索不同的校准模式和测试校准数据与方法来获取更真实的模型性能。
- 在不可区分阈值上的精确度：一种评估分类算法的方法
当调节好算法以至于无法将被标记的猫与真实猫区分时，被标记为包含猫的随机图片实际上有多大概率含有猫？通过构建一个新的度量指标，该度量指标可以将被标记为包含猫的图片与真实含有猫的图片相区分，从而评价算法的表现。
- 羊驼明白 GPT 无法显示的东西：置信度估计的代理模型
维护用户信任的关键是通过使用含糊概率，提高大型语言模型的置信度估计；此外，使用语言置信度和替代模型概率的组合方法在评估置信度时表现出色。
- 利用量子图神经网络进行金融欺诈检测
提出一种利用量子图神经网络和变分量子电路检测金融欺诈的新方法，通过与经典图神经网络的比较实验证明该方法在金融欺诈检测方面具有更高的性能。
- AAAI优化 AUC 是否划算？
通过提出一种高效的算法 AUC-opt 来寻找证明最优 AUC 的线性分类器，并且证明问题在一定条件下是 NP 完全的；此算法在实验中证明相较于其他方法有所改善，但在大多数测试数据中表现并不如标准分类器。
- AUC 是比较异常检测器最佳指标吗？
本文质疑了使用接受者操作特征下的面积（AUC）是否是衡量异常检测性能的合适标准，同时提出了在实践中可能存在的偏差性；作者发现，注重在低假阳率下的 AUC 表现良好，并且仅在具有代表性的异常样本时才能比较异常检测器。这一结果提示，在许多情况下 - 虚假新闻的预测语言线索：一个社会人工智能问题
使用机器学习算法分析媒体新闻的语言特征，以区分真假新闻，主要解决神经假新闻生成、机器生成的标题、文本和图像标题之间的语义矛盾等问题。同时提出应用特征集和类别、特征之间的相关性计算相关属性评估指标和计算属性变量的协方差指标来模拟这些问题。其中 - 基于 AUC 的选择性分类
本文提出了一种模型不可知的方法，将一个选择函数与给定的概率二元分类器相关联，以最优化 AUC，并且通过使用 AUCROSS 算法来取得成功，从而在交换覆盖率和 AUC 之间达到最佳平衡。
- MM混合多模式融合的幽默检测
本文主要介绍我们针对 2022 年 MuSe 多模情感挑战赛的 MuSe-Humor 子挑战所做的研究。我们首先使用变压器模块和 BiLSTM 模块构建一个判别模型，然后提出了一种混合融合策略来提高模型的性能，该模型在测试集上的 AUC 为 - SIGIR基于内容神经网络新闻推荐中用户和新闻表征之间的关系研究
本研究通过比较简单和复杂推荐系统之间的性能差异，保证较高的 AUC 分数，并发现新闻嵌入和评分函数之间的复杂性之间的权衡。
- AdAUC: 针对长尾问题的端到端对抗 AUC 优化
本文研究了在长尾数据集上进行对抗训练的问题，提出了一种基于 AUC 优化的方法，并通过正则化和梯度计算解决了目标函数中正负样本紧密耦合的问题。实验结果表明该方法在长尾数据集上表现出色。
- 一次性联邦学习
本文介绍了一种单次联邦学习方法，通过使用集成学习和知识聚合，使得中央服务器可以在单次通信中学习联合设备网络上的全局模型，在 AUC 方面相对于本地基线获得了 51.5% 左右的平均相对收益，并且达到了全局理想状态的 90.1% 左右。最后， - ICML关于使用对称损失学习修正标签的研究
本文旨在提供关于对称损失函数的更好理解。论文首先强调在平衡错误率（BER）最小化和受损标签下的接收者操作特性曲线（AUC）最大化中使用对称损失函数的优势。其次，我们证明对称损失函数的一般性质，包括分类校准条件、风险超出界限、条件风险最小化以 - 电商搜索中查询性能的预测
本文研究通过用户与搜索结果的互动来评估电子商务搜索引擎的表现，并通过分析用户行为模式和构建分类器来预测查询性能，最终取得了平均 0.75 的 AUC。
- 一元 ROC 曲线下面积的界
本文提出了一种新的替代损失函数来优化 AUC，避免了训练数据之间的成对比较，具有线性的时间和存储复杂度，并对在线学习和批处理算法进行实验以说明其有效性。
- 最近人脸对齐方法的实证研究
本论文提出了一种新的面部对齐评估指标 AUC, 并且在更实用的面部检测下扩充了 300W 数据库，进行了面部对齐灵敏度分析，得出了新的结论。
- 大规模开放在线课程中的停学预测
本研究描述了一个可扩展的模型，从原始数据到模型分析的端对端停止预测方法，该方法在六 002x 秋季课程中实现了高达 0.95 的 AUC，可以预测甚至少于一周的 MOOC 停课情况。
- AUC 两两优化的一致性
本文提供了用于鉴定基于替代损失函数的学习方法渐近一致性的充分条件，并证明了指数损失和逻辑损失与 AUC 一致，但铰链损失是不一致的。基于这个结果，本文还推导了一些与 AUC 一致的损失函数，进一步揭示了指数损失和逻辑损失的相容界限以及在非噪