热点事件持续更新
研究人员提出反事实测试时自适应框架CF-NODE
1 篇报道1 个报道来源3 小时前更新
先了解这件事
AI 综述
2026年10月19日，相关研究提出了用于跨域糖尿病视网膜病变（DR）分级的反事实测试时自适应框架CF-NODE。该框架针对域偏移问题，在模型完全冻结且不进行模型更新的前提下，实现每张单图像的独立自适应。CF-NODE通过对内部空间节点实施受控干预，利用预期分级响应的稳定性来校准预测分布。在5个外部DR数据集的测试评估中，CF-NODE的表现优于TENT、EATA、SAR和T3A等方法，取得了最高的平均AUC与macro-F1成绩。
AI 根据报道生成 · 3 小时前更新
最新进展10月19日 12:00
研究人员提出测试时自适应框架CF-NODE，在5个外部DR数据集评测中表现优于TENT等方法。报道时间线
沿着报道，了解事件的不同侧面。
10月19日
- arXiv 机器学习CF-NODE：面向域偏移下测试时自适应的反事实空间节点干预框架
研究人员提出用于跨域糖尿病视网膜病变（DR）分级的反事实测试时自适应框架 CF-NODE，在模型完全冻结且不进行模型更新的前提下独立自适应每张单图像。该框架通过对内部空间节点实施受控干预，利用预期分级响应的稳定性校准预测分布。在 5 个外部 DR 数据集评测中，CF-NODE 表现优于 TENT、EATA、SAR 和 T3A，取得了最高的平均 AUC 与 macro-F1。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。