跳到主要内容
检索

# TabNet

2 篇关联报道

订阅更新
  1. arXiv

    PyroAdapt 用检索加排序微调把加州野火每日预警的平均精度从 21.62% 提到 24.35–24.57%,固定 34 格预算下多捕获 344 个正样本格日

    该工作提出 PyroAdapt 的“预训练—检索—排序”框架:先用历史数据预训练野火风险模型,再用目标年份的无标签协变量检索相似历史位置,并通过同一天火—非火格点对的排序损失(直接排序、残差成对 DPO、选择性排序)进行微调;在加州 666 个 0.25° 格点上,三种排序目标把日均平均精度从继续焦点微调的 21.62% 提升到 24.35–24.57%,Top5% 召回从 18.70% 提升到 22.11–22.79%,在每日 34 格(5% 面积)的固定检测预算下选择性排序多捕获 344 个正样本格日,并在 Yosemite 的滚动评估中显示排序收益在时间分布漂移下仍然存在。

  2. Chinese Medical Journal

    机器学习用于慢性胰腺炎患者ESWL术后胰腺炎的早期风险分层

    该研究基于长海医院2016年5月31日至2019年6月26日期间1370例接受体外冲击波碎石术(ESWL)的慢性胰腺炎住院患者的回顾性去标识化临床数据,从109个变量中筛选出55个变量,比较了XGBoost、LightGBM、CatBoost、随机森林、支持向量机、人工神经网络、多层感知机、TabNet、Transformer和Wide&Deep共十种机器学习与深度学习算法在三种建模方案(全部预处理变量、单因素筛选的21个变量、ADASYN过采样训练数据)下的表现,以F1分数为主要选择指标,结果显示TabNet在前两种方案中取得最佳留出测试集表现(F1均为0.71),最终选择更简约的21变量T

已读完全部报道