- BayTTA: 使用贝叶斯模型平均优化测试时间增强的不确定性感知医学图像分类
本研究提出了一种新的基于贝叶斯模型平均的测试时间增强（TTA）优化框架 BayTTA，通过结合模型预测并加权考虑后验概率，可以提高相关机器学习或深度学习模型的预测性能。在医学图像分析和一些流行的预训练 CNN 模型中，BayTTA 的实验结 - FPN-fusion: 增强的线性复杂度时间序列预测模型
本研究提出了一种新颖的时间序列预测模型，FPN-fusion，具有线性计算复杂度，相比于 DLiner 具有更优越的预测性能而无需增加参数数量或计算需求。我们的模型引入了两个关键创新：首先，采用特征金字塔网络（FPN）有效地捕捉时间序列数据 - 位置：机器学习中接受负面结果
机器学习方法、预测性能、负面结果、效率低下、科学产出
- ICML将 Transformer 与 Weisfeiler-Leman 对齐
图神经网络架构与 $k$ 维 Weisfeiler--Leman（$k$-WL）层次结构相吻合，其在理论上具有良好的表达能力。然而，这些架构在实际应用中往往无法提供最先进的预测性能，从而限制了它们的实用性。最近的一些研究将图变换器架构与 $ - 分布偏差对留一交叉验证的影响
通过研究我们发现，在机器学习模型的性能评估中，交叉验证方法会引入分布偏差现象，导致性能评估及超参数优化受到负面影响。为了解决这个问题，我们提出了一个通用的校正分布偏差的交叉验证方法，并通过合成模拟和多个已发布的实验验证结果。
- 机器学习辅助一线免疫性血小板减少症的诊断研究可行性探讨
使用例行血液检查和人口统计数据，在非急诊门诊设定中进行机器学习诊断 ITP 的可行性研究，决策树和随机森林模型表现出优越的预测性能并取得近乎完美的预测和公平性分数，血小板计数被确定为最重要的变量。
- 优化的基于文本的时间序列指标
我们提出了一种构建基于文本的时间序列指标的优化方法，通过优化文本指标来跟踪 VIX 指数和通胀预期，我们的结果凸显了我们方法相较于现有指标的优越性能。
- 机器学习在医疗领域的样本选择偏差
机器学习算法在个性化医学中具有潜力，但其临床应用仍受到限制。研究表明，样本选择偏差（SSB）是限制其采用的一个关键因素。本研究通过检验 SSB 对机器学习算法性能的影响，指出了潜在的风险，并提出了一种新的研究方向，该方向基于目标人群的识别而 - 基于人的感知的多模态模型的个体对齐的 POV 学习
通过整合个体感知信号来提高个体用户与机器学习系统之间的相互适应对个体预测性能具有宝贵的启示，不仅可以提高个体用户的整体预测性能，还可以推动人工智能系统朝着每个人的个性化期望和价值导向发展。
- AMPCliff: 抗微生物肽中活性断崖的定量定义和基准评估
在这项研究中，我们介绍了一种用于定量化定义和评估抗菌肽中的活性悬崖现象的基准框架 (AMPCliff)，并发现机器学习模型在检测活性悬崖事件方面具有良好性能。
- 连续学习模型的校准
持续学习聚焦于在非平稳数据流上最大化模型的预测性能。本文通过第一次对持续学习中校准方法行为的实证研究，展示了持续学习策略并不能自然地学习到校准模型，并设计了一种持续校准方法，该方法通过后处理校准方法在不同基准和持续学习策略范围内提升性能。
- 大型语言模型的假设生成
大型语言模型利用数据分析生成假设，通过多臂赌博机设计奖励函数提高预测性能，并发现验证人类理论的新见解。
- Forest-ORE：挖掘最佳规则集合解释随机森林模型
通过优化的规则集合 (ORE) 使随机森林 (RF) 变得可解释，通过权衡预测性能、可解释性覆盖率和模型大小的权衡，提供了优秀的预测性能、可解释性覆盖率和模型大小的平衡。
- 可持续深度学习的数据减少方法深入分析
深度学习方面的研究，介绍了八种不同的数据减少方法和一个基于拓扑结构的代表性度量标准，探讨了这些方法对数据集的代表性、能源消耗和模型预测性能的影响。
- 结构化神经网络训练的正则化自适应动量双平均方法和高效非精确子问题求解器
我们提出了一种用于训练结构化神经网络的正则化自适应动量双重平均（RAMDA）算法，通过引入一个有效求解子问题的方法，RAMDA 可以输出具有优秀预测性能和（局部）最佳结构的模型。
- ICLRWeisfeiler 和 Leman 的循环：图形表示学习的新层次结构
介绍了一种新的图同构测试层次结构和相应的 GNN 框架，可以计算长度为 r+2 的环的数量，并且能够计算仙人掌图的同态数量，实验证明该框架在多个合成数据集上具有表达能力和计数能力，并在多个真实数据集上取得了最先进的预测性能。
- T 细胞响应预测的迁移学习
我们研究了特定给定肽段的 T 细胞反应的预测，这对于个性化癌症疫苗的开发来说可能是一个关键步骤。我们使用了转换器模型进行 T 细胞反应预测，发现膨胀的预测性能不仅仅是理论上的问题，而是在实践中发生的。因此，我们提出了一个领域感知的评估方案， - 迭代图神经网络通过解释的频繁子图挖掘进行增强
我们提出了一种基于可解释人工智能的模型改进方法，名为 Explanation Enhanced Graph Learning (EEGL)，旨在通过解释来提高图神经网络（GNN）在节点分类中的预测性能。EEGL 是一个迭代的自我改进算法，通 - ICLRMG-TSD: 多粒度时间序列扩散模型的引导式学习过程
引入了一种新颖的多粒度时间序列扩散（MG-TSD）模型，通过利用数据中的内在粒度级别作为中间扩散步骤的给定目标来指导扩散模型的学习过程，实现了最先进的预测性能。
- 使用神经网络对受约束系统进行建模的两阶段训练方法
本文详细描述了一种简单、有效且无需惩罚参数的两阶段训练方法，用于模型约束系统。通过将约束优化问题重写为解决两个无约束子问题的两阶段，实现了找到可行神经网络参数和最优神经网络参数。实验证明，该方法可以产生满足约束的模型，并提升预测性能，确保关