热点事件观察中
研究提出跨队列多模态时序学习框架CALIBRA
1 篇报道1 个报道来源1 天前更新
先了解这件事
AI 综述
2026年9月30日，研究团队在arXiv提出名为CALIBRA的校准优先多模态时序学习框架，旨在应对数据不完整与跨人群迁移场景下的短周期哮喘风险预测问题。该框架通过可靠性门控抑制过时或缺失模态，采用梯度反转抑制队列特征偏移，并结合拆分共形预测赋予模型拒识预测能力。在受控偏移的半合成基准测试中，CALIBRA取得了0.717的平均AUROC、0.224的AUPRC与0.098的Brier评分。
AI 根据报道生成 · 2 小时前更新
最新进展9月30日 12:00
研究团队提出跨队列多模态时序学习框架CALIBRA，用于哮喘风险预测。报道时间线
沿着报道，了解事件的不同侧面。
9月30日
- arXiv 机器学习CALIBRA：面向可迁移哮喘风险预测的校准优先跨人群多模态时序学习
研究团队提出 CALIBRA，一种在数据不完整与跨人群迁移场景下进行短周期哮喘风险预测的校准优先多模态时序学习框架。该框架利用可靠性门控抑制过时或缺失模态，通过梯度反转抑制队列特征偏移，并结合拆分共形预测提供拒识预测能力。在受控偏移的半合成基准测试中，CALIBRA 取得 0.717 的平均 AUROC、0.224 的 AUPRC 与 0.098 的 Brier 评分。
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。