Статистические данные > Машинное обучение [представлено 10 июня 2026 года (v1), последний пересмотренный вариант от 5 октября 2026 г. (эта версия, v2)) Для решения этой задачи мы используем матрицу знаний, полученную из более широкого круга людей, которые делят частично перекрывающееся подпространство с когортой редких заболеваний. Наш метод отличается от существующих подходов, ослабляя ограничительные предположения о соответствии сигналов между скрытыми матрицами данных и матрицой знаний, что позволяет более гибко и реалистично обмениваться информацией. Мы введем новую двухэтапную процедуру спектрального привития: во-первых, мы идентифицируем и удалим не имеющие отношения к делу компоненты из матрицы знаний; затем будем применять метод на основе прогнозов для раздельного восстановления совместно используемых и неоднородных компонентов. Моделирование и анализ реальной группы множественных склерозов показывают, что предлагаемый метод опережает конкурирующие подходы, особенно в сложных сценариях, когда общие сигналы являются слабыми и лишь частично согласованы, как это обычно происходит при использовании данных о редком заболевании. История представления с: Feiqing Huang [видение электронной почты] [v1] Wed, 10 июня 2026 01:51:51 UTC (7 042 KB) [ v2] Mon, 5 октября 2026 18:40:48 UTS (7033 KB). Текущий контекст просмотра: stat.ML References & Citations Загрузка... Библиографический и цитационно-инструментальный библиолог (Что является Исследовательом?) Подключённые документы…
Расширение спектральной практики передачи знаний посредством активной и гибкой передачи информации в электронной медицинской документации
arXiv: 2606.11570v2 Annuales Type: заменить резюме: мы предлагаем систему спектрального, неконтролируемого обучения для получения низкомерных встроенных данных о клинических концепциях и пациентов из редких групп заболеваний на основе электронных медицинских записей, где данные являются высокими, но размер выборки ограничен. Для решения этой задачи мы используем матрицу знаний, полученную из более широкого круга людей, которые делят частично перекрывающееся подпространство с когортой редких заболеваний. Наш метод отличается от существующих подходов, ослабляя ограничительные предположения о соответствии сигналов между скрытыми матрицами данных и матрицой знаний, что позволяет более гибко и реалистично обмениваться информацией. Мы введем новую двухэтапную процедуру спектрального привития: во-первых, мы идентифицируем и удалим не имеющие отношения к делу компоненты из матрицы знаний; затем будем применять метод на основе прогнозов для раздельного восстановления совместно используемых и неоднородных компонентов. Моделирование и анализ реального мира