跳到主要内容
检索

# 域适应

15 篇关联报道

订阅更新
  1. arXiv

    古梯田点云换区就失灵:MELD用目标区无标签特征逐层校正,F1从0.397升到0.459

    在哥伦比亚圣玛尔塔内华达山脉的Teyuna与Miraflores两处激光雷达测区之间,跨区检测古梯田的模型会因地形、植被、采集参数和梯田形态差异而失效。MELD在PointNet++的四个层级上分别用目标区无标签特征训练扩散去噪器,再以这些先验在训练和推理时校正送入分割解码器的多尺度特征。Teyuna到Miraflores的迁移中F1由仅源域模型的0.397升至0.459,反向由0.557升至0.594,两个方向均为所比较的域适应方法中最高;加入KNN局部几何描述子后进一步升至0.542和0.606。

  2. medRxiv

    胎儿超声早筛不再依赖海量标注:RadarMAE用雷达式掩码预训练,跨院指标下降不超过0.04

    早孕期唐氏筛查的超声图像分辨率低、结构差异大,而罕见异常病例稀少,使常规自监督预训练难以奏效。RadarMAE改用同心圆环与角度扇区交替遮挡的雷达式掩码,迫使网络学习颅面结构的连续曲率与细长形态,在内部队列上取得AUC 0.99、准确率0.97。配合域对抗适配,模型在四家外部医院仅用无标注图像校准,关键指标相对内部的下降被限制在0.04以内。

  3. bioRxiv

    细胞系药敏要能用到病人身上:MODAE+在保留肿瘤谱系的同时对齐两个域,预测敏感性与生存显著相关

    把癌细胞系的药物敏感性迁移到患者肿瘤,难点在于对齐两个数据域时容易抹掉肿瘤谱系结构。MODAE+在共享隐空间里同时优化域对齐、去混杂、药敏预测、生存预测和谱系分类,并用自适应多任务优化平衡这些目标。在可配对的TCGA治疗子集上,其预测敏感性与总生存的Cox显著率为41.5%,对照方法CODE-AE-ADV为4.9%。

  4. Nature Methods

    空间多组学整合与注释合成一步:DIRAC把跨模态、跨数据集对齐放进同一框架,还补出胶质瘤血管增生域

    空间多组学数据既要合并同一组织切片上的RNA、蛋白等不同分子层,又要把参考数据集的细胞类型标签迁移到新样本上,此前这两件事由不同方法分别处理。DIRAC把两者统一为域适应问题,用图神经网络加对抗判别器学习对批次和模态不敏感、但对细胞类型有区分度的嵌入。在模拟数据和真实DBiT-seq数据上,它的域恢复与混合指标优于对照方法,并在胶质瘤组织中识别出其他方法漏掉的微血管增生域。

  5. Scientific Reports

    大鼠睡眠分期不再怕换药:只用生理盐水训练,换到致幻剂条件F1只掉不到1%

    在超过110万个标注片段的大鼠EEG/EMG数据上,一套面向鲁棒性的深度学习流程把四类睡眠分期做到94.3%的F1,比SlumberNet的87.0%和随机森林的87.9%分别高7.3和6.4个百分点。此前多数自动分期模型用保留同一分布的随机划分评估,遇到新个体或药物造成的分布偏移就会明显退化。该流程用全局上下文向量、监督对比学习和双分支分类器学习对个体与处理条件不敏感的表征,只用生理盐水记录训练、在未见动物身上测试时,各项指标下降不到1%。

  6. arXiv

    多领域微调不再互相拖累:路由器只看256个样本,专家选择准确率升到90–98%

    把稠密Transformer层扩展成稀疏专家混合模型,让法律与生物医学各自拥有完整MLP专家,并用少量样本监督路由器按领域选择专家。在Llama-3.1-8B与Qwen-3-8B上,该方法在生物医学与法律领域的平均成绩均为最高,通用领域平均分也最高;每领域仅用256个样本监督路由器,适配后专业领域路由准确率为90–98%,未采用该监督的路由器为43–70%。

  7. researchsquare.com

    帕金森病脑电微状态跨队列失灵:同一特征空间里,队列来源判别AUC达0.966

    把静息脑电的A/B/C/D微状态序列扩展成静态、有向转移、流量与复杂度四类特征后,帕金森病与健康对照的判别在开发队列内达到ROC-AUC 0.823,但在独立OpenNeuro队列上锁死测试时降到0.513,接近随机。同一特征空间里,一个判别数据来源的分类器达到ROC-AUC 0.966,说明两个队列的特征分布本身差异很大。研究据此把队列内判别与跨队列可迁移性分开评估,并提示在把微状态特征当作可复现电生理标志物之前需要显式的分布偏移检查。

  8. Metabolomics

    换一台核磁仪,心衰代谢模型就失灵:108份双平台重复样本把平衡准确率从0.64拉到0.72

    跨队列代谢组学模型换到另一台核磁平台后往往掉点,因为平台、样品处理与定量流程带来域偏移。研究以爱沙尼亚生物库1.2万份血浆核磁数据训练心衰(ICD-10 I50.9)分类模型,在另一平台独立测得的295份样本上评估,并用最多108份两平台重复测定的配对样本校准对齐。对齐普遍优于未对齐数据,配对样本越多越稳;但简单的域内归一化始终是强基线,全部108份配对时支持向量机加归一化取得平衡准确率0.72、MCC 0.46。

  9. arXiv

    OnePO 让基座模型免 SFT 直接强化学习适配医学领域,HuatuoGPT-3-27B 在 HealthBench Professional 达 71.4

    该工作提出 One-stage Policy Optimization(OnePO),把教师输出当作阶段性引导而非长期训练目标:用概率下限与梯度重标定强化对低概率教师 token 的学习,并在当前策略奖励超过教师输出时将其退役;仅用 20K 医学样本,OnePO 在 HealthBench(Total)达 67.2,优于同教师下的 SFT+RL 与纯 RL,并据此训练出开源 HuatuoGPT-3 系列,27B 变体在 HealthBench Professional 达 71.4。

  10. arXiv

    AutoAdapt 用自动潜在领域发现训练独立 LoRA 适配器,在 14 个基准上与全领域单适配器持平并支持免重训扩展

    AutoAdapt 提出一种模块化指令微调框架:先用 K-means、BERTopic 与 MNLI 三种方法自动发现潜在领域,再为每个领域独立并行训练一个 LoRA 适配器,并在推理时用基于质心的无参数路由;在 14 个领域基准与 GPT-4o 成对评判中,其表现与在全部领域上训练的单 LoRA 适配器相当,且新增或更新领域只需训练单个适配器而无需全模型重训。