跳到主要内容
检索

Saarland University

4 篇关联报道

订阅更新
  1. CleanSurvival 用强化学习为生存分析自动挑选预处理流程,在真实数据基准上相对简单基线提升预测表现

    该工作提出 CleanSurvival,一个基于强化学习(Q-learning)的自动化数据预处理框架,专门面向删失数据的时间到事件(生存分析)模型:它从数据插补、异常值检测与特征提取技术的组合中,为 Cox、随机森林、神经网络或用户自定的时间到事件模型挑选最优预处理流程;在真实数据集基准上,这种基于 Q-learning 的预处理相对简单基线提升了预测表现,运行时间行为依条件而定,并在覆盖最充分的基准单元中最清晰可解释;模拟研究进一步显示其在不同类型与程度的缺失和噪声下均有效。

  2. bioRxiv

    数据驱动的工程活体水凝胶预测性设计

    该研究利用表格基础模型TabPFN,基于一个小型活体水凝胶文库,从遗传与工艺参数预测大肠杆菌生产的含CsgA基纤维活体水凝胶的宏观材料性质,在独立验证集上对储能模量G'的预测达到R2=85.1%,相比线性回归将RMSE降低48.0%,并进一步实现按目标性质反推设计参数的性质导向设计。

  3. 大语言模型在上下文中的分子性质预测:一项关于记忆与知识冲突的盲化研究

    该研究在三个 MoleculeNet 数据集(Delaney 溶解度、亲脂性、QM7 原子化能)上,用逐步减少可用信息的盲化流程,配合 0、60、1000 样本的上下文示例数量,评估 GPT-4.1、GPT-5、Gemini 2.5 三个家族共九个 LLM 变体,以判断其分子性质预测是真正的上下文回归还是对记忆目标值的逐字检索,并加入记忆实验的正负对照、多示例实验的结构参照基线以及自助法置信区间;结果显示在这些既有基准上没有逐字检索的证据,而盲化会暴露出预训练知识与上下文信息之间的冲突。

  4. arXiv

    AuthorMix:通过逐层适配器混合实现模块化作者风格迁移

    该工作提出 AuthorMix 这一轻量、模块化且可解释的作者风格迁移框架:先在少量高资源作者上训练各自的风格专用 LoRA 适配器,再通过基于强化学习的逐层适配器混合,仅用少量目标风格训练样本即可快速为新目标作者构建专用适配模型;据摘要报告,AuthorMix 在综合风格—语义得分上位列所有基线(包括 GPT-5.1)之首,相比经过训练的基线显著改善语义保持,并在人工评估中成为唯一在每个维度上都最优或并列最优的方法。

已读完全部报道