研究提出面向序列筛选的历史特征残差自适应方法

研究人员提出了一种面向序列筛选的采集时残差自适应方法。该方法通过固定历史特征构建小型排序校正，并锚定在反馈揭示前的基础评分上。在基于 AssayFormer 模型的测试中，该方法将来自 15 个来源的 20 项官方测试筛选命中率从 22.58% 提升至 28.61%，超过普通排序头（25.73%）等六项对比基线。此外，在 13 项开发筛选的独立验证中，该自适应方法使随机森林模型的命中率从 28.87% 提升至 31.27%。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。