跳到主要内容
检索

# 多任务深度学习

4 篇关联报道

订阅更新
  1. researchsquare.com

    热电材料筛选不再只看单点:从成分和温度直接画出zT曲线,留出材料上R²达0.88

    热电材料筛选需要知道zT随温度变化的整条曲线,因为峰值大小和位置决定可用工作温区,而逐点测量S、σ、κ代价很高。一种以zT为主任务、把S、σ、κ、PF作为辅助任务的多任务模型,只输入成分描述符和温度,就同时输出这些性质并重建zT。在按材料分组的十折留出评估中,zT的R²为0.8765,峰值温度平均绝对误差14.07 K;四个文献来源材料的24个外部点上R²为0.9755。

  2. arXiv

    三目标融合与多分支架构让无线基础模型以约三分之一参数在六个下游任务上超越单目标编码器

    该工作提出融合MAE、JEPA与SimCLR三种自监督目标表示的框架,并设计共享主干加目标专用分支的多分支架构,在约25000个频谱图与CSI样本上预训练后,于通信、感知与定位六个下游任务中,等输出维度下融合在全部六项任务上优于所评估的单目标编码器且参数约为其三分之一,多分支架构在单编码器参数预算内保留了大部分融合收益,表示分析显示各目标贡献互补且增益多保留在与MAE表示子空间正交的分量中。

  3. Archives of Toxicology

    人工智能在毒理学中的应用:当前进展、挑战与未来方向

    这篇综述通过检索PubMed/MEDLINE、Web of Science和Scopus(2000-2026年)并补充OECD、FDA、EMA、EFSA和EPA的指导文件,梳理了毒理学中AI从基于规则的专家系统到深度学习、大语言模型和多模态架构的发展,指出图神经网络、多任务深度学习等在药物性肝损伤、hERG心脏毒性和Ames致突变性等基准研究中表现出有竞争力的性能,同时外部验证报告不一致、端点特异性模型泛化困难以及大语言模型幻觉带来监管风险,结论是AI模型可增强但尚不能替代实验毒理学。

  4. 基于注意力机制的多任务深度学习模型预测原发灶不明颈部转移性鳞癌的原发部位

    该单中心回顾性研究构建了基于ResNet+CBAM注意力模块、并融合DNN+Transformer临床特征的多任务深度学习模型,利用颈部增强CT图像同步预测淋巴结良恶性与原发部位,在测试集(457例)中良恶性AUC为0.851、原发部位Micro-AUC为0.819、Top-1与Top-3准确率为79%和93%,在真实CMSCCUP队列(172例)中Micro-AUC为0.809、Top-3准确率为88%,并显著提升了初级医生的预测准确率(P值均<0.001)。

已读完全部报道