A Contextual-Bandit Approach to Personalized News Article Recommendation
Yahoo! Labs（雅虎实验室）；Princeton University（普林斯顿大学）
个性化Web服务通过利用内容和用户信息来努力使其服务（广告、新闻文章等）适应个体用户。尽管最近取得了一些进展，但这个问题仍然具有挑战性，至少有两个原因。首先，Web服务的特点是动态变化的内容池，使传统的协同过滤方法不适用。其次，大多数具有实际意义的Web服务的规模要求解决方案在学习和计算方面都要快速。在这项工作中，我们建模的个性化推荐的新闻文章作为一个上下文强盗问题，一个原则性的方法，其中一个学习算法依次选择文章，以服务于用户的上下文信息的基础上，用户和文章，同时适应其文章选择策略的基础上，用户点击反馈，以最大限度地提高总用户点击。这项工作的贡献是三方面的。首先，我们提出了一个新的，一般的上下文强盗算法，是计算效率和学习理论的动机。其次，我们认为，任何强盗算法可以可靠地评估离线使用以前记录的随机流量。最后，使用这种离线评估方法，我们成功地将我们的新算法应用到一个雅虎！Front Page Today模块数据集包含超过3300万个事件。结果显示，与标准的上下文无关的强盗算法相比，点击提升了12.5%，当数据变得更加稀缺时，优势变得更大。
2012-03-01 cs.AI cs.IR cs.LG
Contextual-Bandit Based Personalized Recommendation with Time-Varying User Interests
Cornell University（康奈尔大学）；Alibaba Group（阿里巴巴集团）
研究了高度非平稳环境下的上下文强盗问题。由于用户兴趣的时变，上下文强盗问题在各种推荐系统中普遍存在。两个模型与不相交和混合支付被认为是表征的现象，用户对不同的项目的偏好不同，随着时间的推移。在不相交支付模型中，使用手臂的奖励由特定于手臂的偏好向量确定，该偏好向量是分段平稳的，不同手臂之间的变化是异步的和明显的。提出了一种有效的学习算法，是自适应的突然奖励的变化和理论的遗憾分析表明，一个次线性缩放的时间长度$T$的遗憾实现。该算法被进一步扩展到一个更一般的设置与混合的回报，其中的奖励，发挥手臂是由一个手臂特定的偏好向量和联合系数向量共享的所有武器。在真实世界的数据集上进行了实证实验，以验证所提出的学习算法在这两种设置下对基线的优势。
2020-02-29 cs.AI cs.LG stat.ML
Personalized Federated Learning with Contextual Modulation and Meta-Learning
Center for Applied Intelligent Systems Research (CAISR), Halmstad University（哈尔姆斯塔德大学应用智能系统研究中心）
提出一种结合联邦学习与元学习的框架，通过联邦调制器学习上下文并生成调制参数，动态调整基础模型激活以实现个性化，实验表明收敛速度和性能优于现有方法。
2023-12-23 cs.LG
A personalized Uncertainty Quantification framework for patient survival models: estimating individual uncertainty of patients with metastatic brain tumors in the absence of ground truth
Duke University（杜克大学）
本文提出一种基于特征空间相似性的个性化不确定性量化框架，在缺乏真实标签的情况下估计脑转移患者生存预测的个体不确定性，并在1383例SRS患者数据上验证了其有效性。
2023-11-28 cs.LG q-bio.QM stat.AP
Contextual Adapters for Personalized Speech Recognition in Neural Transducers
Amazon Alexa（亚马逊Alexa）
由于缺乏训练数据，端到端自动语音识别（E2E ASR）模型中的个人稀有词识别是一个挑战。解决这个问题的标准方法是在推理时使用浅层融合方法。然而，由于它们依赖于外部语言模型和确定性的方法来提高权重，它们的性能是有限的。在本文中，我们提出了在基于神经换能器的ASR模型中训练用于个性化的神经上下文适配器。我们的方法不仅可以偏向用户定义的单词，而且可以灵活地使用预训练的ASR模型。使用内部数据集，我们证明了上下文适配器可以应用于任何通用的预训练ASR模型，以提高个性化。我们的方法优于浅层融合，同时通过不改变任何模型权重来保留预训练模型的功能。我们进一步表明，适配器风格的训练优于在具有用户定义内容的数据集上对ASR模型进行全微调。
2022-05-26 cs.CL cs.LG
Learning Personalized Ad Impact via Contextual Reinforcement Learning under Delayed Rewards
Department of Statistics University of Chicago（芝加哥大学统计学系）；Mendoza College of Business University of Notre Dame（诺特丹大学梅多扎商学院）；Department of Computer Science and Data Science University of Chicago（芝加哥大学计算机科学与数据科学系）
针对广告出价中延迟奖励、累积效应和客户异质性，提出基于上下文马尔可夫决策过程的两阶段估计与强化学习算法，实现个性化策略并达到接近最优遗憾界。
2025-10-22 cs.LG stat.ML
Knowledge-Augmented Large Language Models for Personalized Contextual Query Suggestion
KAIST（韩国科学技术院）；Microsoft Research（微软研究院）
本文提出一种利用用户搜索与浏览历史构建轻量级实体知识库以增强LLM提示的方法，在上下文查询建议任务中显著提升了建议的相关性、个性化和实用性。
2024-02-19 cs.AI cs.CL cs.IR
Interaction-Grounded Learning for Contextual Markov Decision Processes with Personalized Feedback
University of Iowa（爱荷华大学）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of Southern California（南加州大学）；Microsoft Research（微软研究院）
本文提出了一种计算高效的算法，用于在具有个性化反馈的上下文性 Markov 决策过程中实现次线性遗憾保证，通过扩展奖励估计器构造并设计逆间隙加权算法，有效提升了多轮交互中学习个性化目标的能力。
2026-02-09 cs.LG stat.ML
Stage-specific cancer survival prediction enriched by explainable machine learning
Department of Information Technology Faculty of Science and Engineering Åbo Akademi University（信息科技系科学与工程学院阿博阿卡迪米大学）
本文通过可解释机器学习方法，针对不同癌症阶段的生存预测，揭示特征与癌症阶段的交互作用，提升模型透明性和临床应用价值。
2026-01-07 cs.LG
An Actor-Critic Contextual Bandit Algorithm for Personalized Mobile Health Interventions
Amazon（亚马逊）；University of Michigan（密歇根大学）；Radcliffe Institute, Harvard University（哈佛大学拉德克利夫研究所）
智能手机和可穿戴设备的日益成熟和广泛使用为创新和高度个性化的健康干预提供了机会。即时自适应干预（JITAI）利用现代移动设备的实时数据收集和通信功能，实时提供适应用户即时需求的干预措施。尽管JITAIs在临床科学家中越来越受欢迎，但在构建基于数据的JITAIs方面缺乏方法学指导仍然是推进JITAI研究的障碍。在这篇文章中，我们第一次尝试弥合这一方法上的差距，制定的任务，剪裁干预措施，实时作为一个上下文强盗问题。在移动健康领域的可解释性要求导致我们制定不同的问题，从现有的配方旨在为网络应用程序，如广告或新闻文章的位置。在线性回报函数的假设下，我们选择的回报函数（“批评家”）参数化分别从随机政策（“演员”）的低维参数化。我们提供了一个在线的演员-评论家算法，指导JITAI的建设和完善。的演员评论家算法的渐近性质的开发和支持的数值实验。通过数值实验验证了该算法在上下文强盗算法分析中所使用的理想化假设被打破时的鲁棒性。
2022-04-22 cs.LG stat.ML
Personalized Medical Treatments Using Novel Reinforcement Learning Algorithms
在计算机科学和医学的两个领域中，对于为对治疗具有可变反应的患者开发个性化治疗策略存在非常强烈的兴趣。特别是，我的目标是找到一个最佳的个性化治疗政策，这是一个非确定性的功能，患者的具体协变量数据，最大限度地提高预期的生存时间或临床结果。我开发了一个算法框架来解决多阶段决策问题，这些问题具有不同数量的阶段，这些阶段受到审查，其中“奖励”是预期的生存时间。具体而言，我开发了一种新的Q-学习算法，动态调整这些参数。此外，我发现有限的上界的广义误差的治疗路径构造的算法。我还表明，当最佳的Q函数是一个元素的近似空间，预期的生存时间的治疗方案所构建的算法将收敛到最佳的治疗path. I证明了所提出的算法框架的性能，通过模拟研究，并通过分析慢性抑郁症的数据和一个假设的临床试验。我开发的删失Q-学习算法比最先进的临床决策支持系统更有效，并且能够在许多协变量参数可能无法获得或删失的环境中运行。
2014-06-30 cs.LG stat.ML
Personalized Generative Models for Contextual Debiasing
Department of Computer Science, Princeton University（普林斯顿大学计算机科学系）；LIX, CNRS, École Polytechnique（巴黎政治学院LIX研究所，法国国家科学研究中心）
提出DecoupleGen方法，利用个性化文本到图像扩散模型生成罕见上下文图像，作为训练增强以缓解视觉识别中的上下文偏差。
2026-05-25 cs.AI cs.CV cs.LG
Multi-User Contextual Cascading Bandits for Personalized Recommendation
Department of Industrial Engineering and Operations Research, University of California, Berkeley（工业工程与运营管理系，加州大学伯克利分校）
针对多用户同时与顺序展示物品交互的在线广告场景，提出多用户上下文级联老虎机模型（MCCB），设计UCBBP和AUCBBP算法并证明其遗憾界，数值实验验证了算法有效性。
2025-08-24 cs.LG math.OC stat.ML
Deep Adaptive Interest Network: Personalized Recommendation with Context-Aware Learning
University of Science and Technology of China（中国科学技术大学）；University of Houston（休斯顿大学）；University of Southern California（南加州大学）；University of Tokyo（东京大学）
本文提出深度自适应兴趣网络（DAIN），通过动态建模用户兴趣并结合上下文感知学习机制，利用深度学习技术实时捕捉兴趣变化并整合上下文信息优化推荐结果，实验证明其在性能与计算效率上均表现出色。
2024-12-24 cs.IR cs.LG
Personalized Student Knowledge Modeling for Future Learning Resource Prediction
Department of Computer Science University at Albany - SUNY（计算机科学系大学阿尔巴尼 - 纽约州立大学）
针对教育领域学生知识追踪与行为建模存在的个性化不足、忽视非评估类学习活动等问题，提出有状态多任务模型KMaP，通过基于聚类的学生画像构建个性化表征，实现知识与行为同步建模，在真实数据集上验证了其预测学习资源偏好的有效性。
2025-05-20 cs.AI cs.LG
Learning Personalized Representations using Graph Convolutional Network
Amazon Alexa（亚马逊Alexa）
生成精确反映客户行为的表示是在Alexa中提供个性化技能路由体验的重要任务。目前，负责将Alexa流量路由到提供商或技能的动态路由（DR）团队依赖于两个功能作为个人信号：绝对流量计数和每个客户每个技能使用的标准化流量计数。他们都没有考虑基于网络的结构，客户和技能之间的互动，其中包含更丰富的信息，客户的喜好。在这项工作中，我们首先建立了一个异构的边缘属性图客户的过去的互动与调用的技能，其中用户的请求（话语）被建模为边缘。然后，我们提出了一个图卷积网络（GCN）为基础的模型，即个性化动态路由特征编码器（PDRFE），生成个性化的客户表示从建立的图。与现有模型相比，PDRFE能够进一步捕获图卷积函数中的上下文信息。我们所提出的模型的性能进行评估的下游任务，缺陷预测，预测的缺陷标签从学习嵌入的客户和他们的触发技能。我们观察到，与基线相比，我们提出的模型的交叉熵度量提高了41%。
2022-07-28 cs.AI cs.LG
BanditLP: Large-Scale Stochastic Optimization for Personalized Recommendations
LinkedIn
BanditLP通过结合神经汤普森采样与大规模线性规划，实现了大规模随机优化以提升个性化推荐效果，并在LinkedIn邮件营销中取得实际业务收益。
2026-01-22 cs.AI cs.LG stat.ML
Multimodal Integration of Longitudinal Noninvasive Diagnostics for Survival Prediction in Immunotherapy Using Deep Learning
Radboud University（拉德堡德大学）；The Netherlands Cancer Institute（荷兰癌症研究所）；Maastricht University（马斯特里赫特大学）；Oncode Institute（Oncode研究所）；Leiden University Medical Center（莱顿大学医学中心）；Centre Hospitalier Universitaire Vaudois（沃州大学医院）；University of Southern Denmark（南丹麦大学）
提出MMTSimTA深度学习架构，整合694名免疫治疗患者的血液、用药和CT纵向多模态数据，显著提升3至12个月生存预测性能。
2025-06-07 cs.AI cs.LG q-bio.QM
Contextual Bandits with Budgeted Information Reveal
Cornell Tech（康奈尔理工学院）；Texas A&M University（德克萨斯农工大学）；Duke-NUS Medical School（杜克-新加坡国立大学医学院）；Harvard University（哈佛大学）
针对数字健康中有限预算下鼓励患者采取促治疗行动的问题，提出结合在线原始-对偶算法与上下文赌博机学习算法的新方法，实现次线性遗憾界并在合成及真实数据上验证有效性。
2024-03-13 cs.LG math.OC
ChronoSurv: A Clinical Pathway-Guided Graph Framework for Multimodal Survival Analysis
Université Paris-Saclay, CentraleSupélec, MICS, France（巴黎萨克雷大学，中央超算学院，MICS，法国）；University of Lyon, INSA Lyon, CREATIS, France（里昂大学，里昂国家理工学院，CREATIS，法国）
提出ChronoSurv，一种基于有向图的多模态生存分析框架，通过层次化拓扑和异质消息传递建模临床轨迹，在头颈癌数据集上取得最优判别性能与可靠校准。
2026-06-18 cs.LG
Stacked Autoencoder Based Multi-Omics Data Integration for Cancer Survival Prediction
Central South University（中南大学）
癌症生存预测对于开发个性化治疗和诱导致病机制非常重要。多组学数据集成正在癌症研究中引起广泛兴趣，为了解多个遗传水平的癌症进展提供信息。然而，由于多组学数据的高维性和异质性，许多工作受到限制。在本文中，我们提出了一种新的方法来整合多组学数据的癌症生存预测，称为堆叠AutoEncoder为基础的生存预测神经网络（SAEsurv-net）。在TCGA病例的癌症生存预测中，SAEsurv-net通过两阶段降维策略解决了维数灾难，并通过堆叠自动编码器模型处理多组学异质性。两阶段降维策略在计算复杂度和信息利用之间取得了平衡。堆叠的自动编码器模型去除了第一组自动编码器中的大多数异质性，例如数据的类型和大小，并在第二组自动编码器中集成多个组学数据。实验表明，SAEsurv-net优于基于单一类型数据的模型以及其他最先进的方法。
2022-07-08 cs.LG q-bio.GN stat.AP
FORESEE: Multimodal and Multi-view Representation Learning for Robust Prediction of Cancer Survival
Hunan University（湖南大学）；Shanghai Jiaotong University（上海交通大学）；Central South University（中南大学）
针对癌症生存预测中病理图像多尺度特征利用不足、模态内数据缺失带噪的问题，提出多模态框架FORESEE，通过跨尺度融合、混合注意力编码及非对称掩码自编码器重建信息，在四类基准数据集上性能超越现有最优方法。
2024-05-13 cs.CV cs.LG
Using Geographic Location-based Public Health Features in Survival Analysis
Missouri University of Science and Technology（密苏里科技大学）
本文提出将基于地理位置的公共卫生特征纳入生存分析模型，在SEER癌症数据集上显著提升了一致性指数，验证了该特征的有效性。
2023-04-16 cs.LG stat.AP
Deep Biological Pathway Informed Pathology-Genomic Multimodal Survival Prediction
Genentech（基因泰克）；University of Central Florida（中佛罗里达大学）
多模态数据（如病理图像和基因组数据）的整合对于理解癌症的异质性和个性化治疗的复杂性以及增强生存预测至关重要。尽管在整合病理学和基因组数据方面取得了进展，但大多数现有方法不能彻底挖掘复杂的模态间关系。此外，从这些控制临床前发现和临床预测的模型中识别可解释的特征对于癌症诊断，预后和治疗反应研究至关重要。我们提出了PONET-一种新的生物学途径知情的病理学-基因组深度模型，它集成了病理图像和基因组数据，不仅可以改善生存预测，还可以识别导致患者不同生存率的基因和途径。六个癌症基因组图谱（TCGA）数据集的实证结果表明，我们提出的方法实现了卓越的预测性能，并揭示了有意义的生物学解释。所提出的方法建立了对如何在多模态生物医学数据上训练生物信息深度网络的见解，这将对理解疾病和预测对治疗的反应和抵抗具有普遍适用性。
2023-01-06 cs.LG eess.IV q-bio.GN
Predicting Breast Cancer Survival: A Survival Analysis Approach Using Log Odds and Clinical Variables
Federal College of Animal Health and Production Technology（联邦动物卫生与生产技术学院）；Universidad Mayor de San Andres（圣安德烈斯大学）；National University of Computer & Emerging Sciences-FAST（国立计算机与新兴科学大学（FAST大学））；University of Khartoum（喀土穆大学）；University of Jazan（贾赞大学）；New York Institute of Technology（纽约理工学院）；Khalifa Gull Nawaz Teaching Hospital（哈利法·古尔·纳瓦兹教学医院）
本研究利用Cox比例风险模型和参数生存模型分析1557名乳腺癌患者的临床变量，发现年龄、肿瘤大小和HER2状态显著影响生存风险，证明生存分析可优化个性化治疗决策。
2024-10-17 cs.LG
Gradient-based Explanations for Deep Learning Survival Models
Leibniz Institute for Prevention Research and Epidemiology – BIPS（莱布尼茨预防研究与流行病学研究所 – BIPS）；Faculty of Mathematics and Computer Science, University of Bremen（不来梅大学数学与计算机科学学院）；University of Copenhagen（哥本哈根大学）；Department of Public Health, University of Copenhagen（哥本哈根大学公共卫生系）
本文提出针对生存神经网络的基于梯度的解释框架及GradSHAP(t)方法，在速度与准确性上优于现有方法，并在医疗多模态数据中验证了其揭示特征效应及时间动态的能力。
2025-02-07 cs.LG stat.ML
Guiding Treatment Strategies: The Role of Adjuvant Anti-Her2 Neu Therapy and Skin/Nipple Involvement in Local Recurrence-Free Survival in Breast Cancer Patients
Mercurial AI Inc（Mercurial AI公司）
该研究利用LiNGAM从Duke MRI乳腺癌观察数据中识别因果关系，量化抗Her2 Neu治疗与皮肤/乳头受累对无局部复发生存期的影响，以支持个性化治疗决策。
2025-01-04 cs.LG stat.AP
Personalized Category Frequency prediction for Buy It Again recommendations
Target Corporation（塔吉特公司）
提出分层PCIC模型，通过结合生存模型、时间序列模型与神经网络，在类别和商品粒度上预测用户的重复购买行为，在多个数据集和实际AB测试中显著提升了推荐效果。
2023-07-24 cs.AI cs.IR cs.LG
MATCH-Net: Dynamic Prediction in Survival Analysis using Convolutional Neural Networks
University of Oxford（牛津大学）；University of California Los Angeles（加州大学洛杉矶分校）
准确预测疾病轨迹对于早期识别和及时治疗高危患者至关重要。传统的生存分析方法往往受到强参数假设的约束，并且从高维数据中学习的能力有限，而现有的神经网络模型并不容易适应纵向设置。本文开发了一种新的卷积方法来解决这些缺点。我们提出MATCH-Net：一个Missingness-Aware Temporal Convolutional Hitting-time Network，旨在捕获协变量轨迹和缺失模式中的时间依赖性和异构相互作用。据我们所知，这是第一次在动态预测个性化风险预后的背景下调查时间卷积。使用来自阿尔茨海默病神经影像学倡议的真实数据，我们展示了最先进的性能，而不对潜在的纵向或事件发生时间过程做出任何假设，证明该模型在临床决策支持中的潜在效用。
2018-11-26 cs.LG stat.ML
A Bandit-Based Approach to Educational Recommender Systems: Contextual Thompson Sampling for Learner Skill Gain Optimization
本文提出基于上下文性汤普森采样的方法，通过优化学习者技能提升来生成个性化练习序列，有效适应不同学习者需求。
2026-02-04 cs.LG stat.ML
Orthogonal Survival Learners for Estimating Heterogeneous Treatment Effects from Time-to-Event Data
LMU Munich Munich Center of Machine Learning (MCML)（慕尼黑大学慕尼黑机器学习中心）
针对含删失的事件时间数据中异质性处理效应估计难题，提出具备正交性、支持自定义权重、模型无关的正交生存学习器工具箱，经实验验证其在低重叠场景下的有效性，可用于随机与观察性研究。
2025-05-19 cs.LG stat.ML
Multivariate Arrival Times with Recurrent Neural Networks for Personalized Demand Forecasting
University of Toronto（多伦多大学）；Rubikloud Technologies Inc.（Rubikloud科技公司）
访问大量人口中的各种数据使得预测客户购买模式和对营销活动的反应成为可能。特别是，对经常重复购买的流行产品的准确需求预测至关重要，因为这些产品是利润的主要驱动力之一。然而，买方购买模式是非常多样化和稀疏的每产品的水平，由于人口异质性以及在跨产品类别的购买模式的依赖。传统的生存分析方法通过假设到达间隔时间服从参数分布，在处理删失数据时被证明是有效的。然后，通常在回归框架中拟合分布参数。另一方面，基于神经网络的模型采用非参数方法从更大的函数类中学习关系。然而，由于缺乏分布假设，很难对部分观测数据进行建模。在本文中，我们直接模型的到达时间间隔以及部分观察到的信息，在每个时间步的生存为基础的方法，使用循环神经网络（RNN）模型的购买时间联合在几个产品。RNN不是预测到达间隔时间的点估计，而是输出定义分布估计的参数。损失函数是这些参数在部分观测数据下的负对数似然。这种方法允许人们利用完全观察到的数据以及部分信息。通过外部化的审查问题，通过对数似然损失函数，我们表明，国家的最先进的机器学习方法可以实现实质性的改进。我们目前的实验结果的基础上，两个开放的数据集，以及一个真正的数据集从一个大型零售商的研究。
2018-12-29 cs.LG stat.ML
Review Based Rating Prediction
Ben-Gurion University（本·古里安大学）
推荐系统是当今电子商务应用中的重要单元，如定向广告、个性化营销和信息检索等。近年来，上下文信息的重要性激发了根据用户的可用上下文信息生成个性化推荐。与传统的主要利用用户评分历史的推荐系统相比，基于评论的推荐系统有望为用户提供更相关的推荐结果。我们介绍了一种基于评论的推荐方法，通过挖掘用户评论来获得上下文信息。所提出的方法涉及通过使用在自然语言处理（NLP）和信息检索学科中开发的方法来分析文本评论以计算给定项目的效用函数而获得的特征。项目效用是一种衡量标准，它显示了根据用户当前上下文，它有多受欢迎。在我们的系统中，上下文推理建模为用户评论历史和项目评论历史之间的相似性。作为一个示例应用，我们使用我们的方法从客户的电影评论中挖掘上下文数据，并使用它来生成基于评论的评级预测。预测的评级可以生成基于项目的建议，并且应该出现在产品页面中的推荐项目列表中。我们的评估表明，与标准预测方法相比，我们的系统可以帮助产生更好的预测评分。
2016-07-28 cs.IR cs.LG
Explainable Deep Learning for Tumor Dynamic Modeling and Overall Survival Prediction using Neural-ODE
Genentech（基因泰克公司）；Stanford University（斯坦福大学）
提出药理学信息神经网络 TDNODE，通过编码器-解码器架构从纵向肿瘤大小数据中发现动力学模型，克服截断数据预测限制，高精度预测患者总生存期，为肿瘤建模整合多模态数据提供原则性方法。
2023-10-20 cs.LG q-bio.QM
On the Overlooked Significance of Underutilized Contextual Features in Recent News Recommendation Models
Seoul National University（首尔大学）；NAVER Corp（NAVER公司）；POSTECH（浦项工科大学）
个性化新闻推荐的目的是通过预测读者点击某篇文章的可能性，为读者提供有吸引力的文章。为了准确地预测这种概率，已经提出了大量的研究，积极利用文章的内容特征，如词，类别或实体。然而，我们观察到，文章的上下文特征，如点击率（CTR），流行度，或新鲜度，最近被忽视或利用不足。为了证明这一点，我们对最近的深度学习模型和我们设计的朴素上下文模型进行了广泛的比较，并惊讶地发现后者的表现轻松优于前者。此外，我们的分析表明，最近将过于复杂的深度学习操作应用于上下文特征的趋势实际上阻碍了推荐性能。从这些知识，我们设计了一个有目的的简单的上下文模块，可以大大提高以前的新闻推荐模型。
2021-12-29 cs.IR cs.LG
Recurrence-free Survival Prediction under the Guidance of Automatic Gross Tumor Volume Segmentation for Head and Neck Cancers
University of Texas Southwestern Medical Center（德克萨斯大学西南医学中心）
对于头颈部癌症（HNC）患者管理，自动大体肿瘤体积（GTV）分割和准确的治疗前癌症复发预测对于帮助医生设计个性化管理计划非常重要，这有可能改善HNC患者的治疗结果和生活质量。在本文中，我们开发了一种自动化的原发性肿瘤（GTVp）和淋巴结（GTVn）分割方法的基础上结合治疗前正电子发射断层扫描/计算机断层扫描（PET/CT）扫描的HNC患者。我们从分割的肿瘤体积中提取放射组学特征，并构建了一个多模态肿瘤无复发生存（RFS）预测模型，该模型融合了来自单独的CT放射组学，PET放射组学和临床模型的预测结果。我们进行了5重交叉验证，以在MICCAI 2022 HEad和neCK TumOR分割和结果预测挑战（HECKTOR）数据集上训练和评估我们的方法。测试队列的集合预测结果分别实现了GTVp和GTVn分割的Dice评分为0.77和0.73，RFS预测的C指数值为0.67。该代码是公开的（https：//github.com/wangkaiwan/HECKTOR-2022-AIRT）。我们队的名字叫Airt。
2022-09-22 cs.CV cs.LG
Survival Prediction Across Diverse Cancer Types Using Neural Networks
Trine University（特里恩大学）；Hong Kong University of Science and Technology（香港科技大学）；SouthWest JiaoTong University（西南交通大学）；University of Southampton（南安普顿大学）
本研究针对胃癌和结肠腺癌预后需求，通过切片全切片图像提取特征、构建患者级图结构，结合4层图卷积神经网络进行生存预测，C-index优于传统卷积模型，推动癌症精准预后与个性化治疗发展。
2024-04-11 cs.LG eess.IV q-bio.QM
Surv-IPTB: An Attention-Based Model for Estimating Individual Probability of Treatment Benefit with Survival Data
Higher School of Artificial Intelligence Technologies（人工智能技术高等学院）；Peter the Great St.Petersburg Polytechnic University（彼得大帝圣彼得堡理工大学）
本研究提出基于注意力的 Surv-IPTB 模型，将生存数据的 IPTB 估计转化为二分类问题，通过成对患者比较处理右删失数据，在合成非线性数据集上优于 T-learner、S-learner 等基线模型，可用于个性化治疗获益评估。
2026-08-07 cs.LG stat.ML
Multidimensional Binary Search for Contextual Decision-Making
NYU（纽约大学）；Google Research NY（谷歌研究院纽约）；MIT（麻省理工学院）
我们考虑一个多维的搜索问题，是出于上下文决策的问题，如动态定价和个性化医疗。大自然从一个$d$维单位球中选择一个状态，然后生成一系列$d$维方向。我们可以访问方向，但不能访问国家。在接收到方向之后，我们必须猜测状态和方向之间的点积的值。我们的目标是尽量减少我们的猜测与真实答案相差超过$ε$的次数。我们构造了一个多项式时间算法，我们称之为投影体积实现遗憾$O(d\log(d/ε))$，这是最佳的$\log d$因素。该算法结合了体切割策略与一种新的几何技术，我们称之为圆柱化。
2017-04-26 cs.DS cs.LG
BITES: Balanced Individual Treatment Effect for Survival data
University Medical Center Göttingen（哥廷根大学医学中心）；University of Regensburg（雷根斯堡大学）；Kiel University（基尔大学）；University Medical Center Schleswig-Holstein（石勒苏益格-荷尔斯泰因大学医学中心）
评估干预措施对患者结局的影响是个性化医疗的关键方面之一。他们的推论经常受到这样一个事实的挑战，即训练数据只包括所给予的治疗的结果，而不是替代治疗的结果（所谓的反事实结果）。根据观测数据，针对这一情景提出了几种方法，即~对于连续和二元结果变量，干预不是随机应用的数据。然而，患者结局通常以至事件发生时间数据记录，如果事件未在观察期内发生，则包括右删失事件时间。尽管其巨大的重要性，但事件发生时间数据很少用于治疗优化。我们提出了一种名为BITES（生存数据的平衡个体处理效应）的方法，该方法将治疗特异性半参数Cox损失与治疗平衡的深度神经网络相结合;即~我们使用积分概率距离（IPM）来规范治疗和未治疗患者之间的差异。我们在模拟研究中表明，这种方法优于最先进的。此外，我们证明，在一个应用程序中的一个队列的乳腺癌患者的激素治疗可以优化的基础上，六个常规参数。我们在一个独立的队列中成功地验证了这一发现。BITES作为一个易于使用的python实现提供。
2022-01-05 cs.LG stat.ME
Diabetes Lifestyle Medicine Treatment Assistance Using Reinforcement Learning
Department of Data Science, College of Computing, City University of Hong Kong, Hong Kong, China（数据科学系，计算学院，香港城市大学，香港，中国）
针对2型糖尿病个性化生活方式处方受限于专业人员短缺的问题，提出一种离线混合动作Soft Actor-Critic上下文老虎机方法，从NHANES数据学习个体化处方，经真实医师处方验证有效，为临床辅助提供新方案。
2025-10-19 cs.LG stat.AP
