首页/论文/2002.01584

arXiv 2002.015842020-02-05cs.LGstat.ML

ML4H 2019年摘要跟踪

ML4H Abstract Track 2019

Matthew B. A. McDermott, Emily Alsentzer, Sam Finlayson, Michael Oberst, Fabian Falck, Tristan Naumann, Brett K. Beaulieu-Jones, Adrian V. Dalca

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

NeurIPS 2019年机器学习健康（ML4H）研讨会的公认摘要集。该索引并不完整，因为一些已接受的摘要选择不纳入。

英文摘要：

A collection of the accepted abstracts for the Machine Learning for Health (ML4H) workshop at NeurIPS 2019. This index is not complete, as some accepted abstracts chose to opt-out of inclusion.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

机器学习研究已超越其沟通规范，NeurIPS应采取行动

Machine Learning Research Has Outpaced Its Communication Norms and NeurIPS Should Act

Independent Researcher（独立研究员）；Institute for Computational Biomedicine（计算生物医学研究所）；University Hospital Aachen（亚琛大学医院）

研究发现NeurIPS摘要可读性下降，缩写密度增加，且更易读的论文更受引用。文章提出七项标准以提升可读性与影响力。

2026-05-09cs.CLcs.DLcs.LG

ML4H 2020年摘要跟踪

ML4H Abstract Track 2020

NeurIPS 2020上机器学习健康（ML4H）研讨会的公认摘要集。该索引并不完整，因为一些已接受的摘要选择不纳入。

2020-11-19cs.LG

NightFeats @ MMU-RAGent NeurIPS 2025: 面向文本到文本轨道的上下文优化多智能体RAG系统

NightFeats @ MMU-RAGent NeurIPS 2025: A Context-Optimized Multi-Agent RAG System for the Text-to-Text Track

NightFeats

提出一种结构化多智能体RAG系统NightFeats，通过检索、策展和组合三阶段分解知识合成，引入时序语义重排序、矛盾协调和引用保留架构，在MMU-RAGent竞赛中超越商业基线。

2026-06-11cs.AIcs.CLcs.IR

NeurIPS 2022竞赛：驾驶SMARTS

NeurIPS 2022 Competition: Driving SMARTS

驾驶智能是一项定期的比赛，旨在解决现实世界自动驾驶（AD）中普遍存在的动态交互环境中的分布偏移所引起的问题。拟议的比赛支持方法上的不同解决方案，如强化学习（RL）和离线学习方法，在自然AD数据和开源模拟平台SMARTS的组合上进行训练。双轨结构允许关注分布偏移的不同方面。轨道1对任何方法都是开放的，将为具有不同背景的机器学习研究人员提供解决现实世界自动驾驶挑战的机会。轨道2是专为严格的离线学习方法。因此，可以在不同方法之间进行直接比较，以确定新的有前途的研究方向。建议的设置包括：1）使用真实世界数据和微模拟器生成的真实流量，以确保场景的逼真度，2）容纳解决问题的各种方法的框架，以及3）基线方法。因此，它提供了一个独特的机会，对自动驾驶汽车部署的各个方面进行原则性调查。

2022-11-14cs.CVcs.LGcs.RO

NeurIPS数据集管理实践的系统性综述

A Systematic Review of NeurIPS Dataset Management Practices

University of Texas at Austin（德克萨斯大学奥斯汀分校）；University of Minnesota（明尼苏达大学）；MIT（麻省理工学院）

针对机器学习领域数据集管理实践缺乏统一标准的问题，该研究系统综述了NeurIPS数据集与基准赛道的数据集，从四方面分析发现存在来源不明、托管平台功能不足等问题，呼吁建立标准化数据基础设施。

2024-10-31cs.LG

NeurIPS '21挑战赛关于十亿级近似最近邻搜索的结果

Results of the NeurIPS'21 Challenge on Billion-Scale Approximate Nearest Neighbor Search

Microsoft Research（微软研究院）；GSI Technology（GSI科技）；IT University of Copenhagen（哥本哈根信息技术大学）；Meta AI Research（Meta人工智能研究院）；Yandex（杨德克斯）；Carnegie Mellon University（卡内基梅隆大学）；Baidu（百度）

尽管近似最近邻搜索的算法范围很广，但大多数算法的经验评估都集中在较小的数据集上，通常为100万个点~ \citep{Benchmark}。然而，部署基于嵌入的技术的最新进展，用于大规模搜索，推荐和排名，需要十亿，万亿或更大规模的ANNS索引。除了最近的几篇论文之外，关于哪些算法在这种规模下相对于其硬件成本是有效的共识有限。该竞赛通过硬件成本，准确性和性能来比较十亿级的ANNS算法。我们为标准化和专业化硬件建立了开源评估框架和排行榜。比赛涉及三条赛道。标准硬件跟踪T1在具有有限DRAM的Azure VM上评估算法，这通常是服务十亿级索引的瓶颈，其中嵌入数据的大小可能为数百千兆字节。它使用FAISS~ \citep{Faiss17}作为基线。除了有限的DRAM之外，标准硬件轨道T2还允许使用廉价的SSD，并使用MANN ~ \citep{DiskANN19}作为基线。专用硬件轨道T3允许任何硬件配置，并再次使用FAISS作为基线。我们编制了六个不同的十亿级数据集，其中四个是为本次比赛新发布的，它们涵盖了各种形式，数据类型，维度，深度学习模型，距离函数和来源。比赛的结果是排名排行榜的算法在每个轨道的基础上召回在查询吞吐量阈值。此外，对于跟踪T3，基于召回以及成本归一化和功率归一化的查询吞吐量创建单独的排行榜。

2022-05-08cs.DBcs.DScs.LG

更多相关论文收起更多论文

2022年健康研讨会的机器学习--扩展的抽象轨道

Machine Learning for Health symposium 2022 -- Extended Abstract track

在第二届机器学习健康研讨会（ML 4 H 2022）上发表的扩展摘要集，该研讨会于2022年11月28日在美国路易斯安那州新奥尔良举行。健康机器学习（ML 4 H）是研究健康机器学习的长期场所，包括理论工作和应用工作。ML 4 H 2022有两个提交轨道：一个程序轨道，包括技术成熟和严格的工作的全长提交，和一个扩展的抽象轨道，这将接受不太成熟，但创新的研究进行讨论。所有提交给ML 4 H研讨会的手稿都经过了双盲同行评审过程。扩展摘要包括在这个集合描述创新的机器学习研究集中在健康和生物医学的相关问题。

2022-11-28cs.LG

NIPS -甚至没有错？对机器学习和人工智能文献中完全实证的系统性综述

NIPS - Not Even Wrong? A Systematic Review of Empirically Complete Demonstrations of Algorithmic Effectiveness in the Machine Learning and Artificial Intelligence Literature

The Alan Turing Institute（艾伦·图灵研究所）；University College London（伦敦大学学院）；University of Warwick（华威大学）；Kings College Hospital（国王学院医院）

目的：确定在当前ML/AI监督学习文献样本中得出算法有效性结论所需的论证步骤的完整性。数据来源：发表在神经信息处理系统（NeurIPS，née NIPS）杂志上的论文，官方记录显示发表于2017年。合格性标准：报告（半）监督模型或与表格数据的（半）监督模型融合的预处理的研究。研究评价：三位评审员应用评估标准来确定论证的完整性。标准分为三组，包括：实验（例如，真实和/或合成数据）、基线（例如，不知情和/或最新技术水平）和定量比较（例如，具有置信区间的性能量化指标和算法与基线的正式比较）。结果：在121篇符合条件的论文中（来自679篇摘要的样本），99%使用真实世界数据，29%使用合成数据。91%的手稿没有报告不知情的基线，55%报告了最新的基线。32%的人报告了性能的置信区间，但没有人提供如何计算这些置信区间的参考或说明。3%报告了正式比较。局限性：使用一种期刊作为主要信息源可能无法代表所有ML/AI文献。然而，NeurIPS会议被认为是ML/AI研究的顶级会议之一，因此将其语料库视为高质量研究的代表是合理的。结论：使用NeurIPS监督学习语料库的2017年样本作为当前ML/AI研究的质量和可信度的指标，似乎在算法有效性的演示中完整的论证链是罕见的。

2018-12-18cs.AIcs.LGstat.ML

医学成像与深度学习：MIDL 2019 --扩展的摘要跟踪

Medical Imaging with Deep Learning: MIDL 2019 -- Extended Abstract Track

本汇编收集了2019年7月8日至10日在英国伦敦举行的第二届深度学习医学成像国际会议（MIDL 2019）的所有已接受的扩展摘要。请注意，这里只列出了可接受的扩展摘要，MIDL 2019全文跟踪的论文集作为机器学习研究论文集（PMLR）http://proceedings.mlr.press/v102/的第102卷出版。

2019-07-22cs.CVcs.LGeess.IV

医学成像与深度学习：MIDL 2020 --短论文跟踪

Medical Imaging with Deep Learning: MIDL 2020 -- Short Paper Track

本汇编收集了2020年7月6日至9日在加拿大蒙特利尔举行的第三届医学成像与深度学习国际会议（MIDL 2020）的所有已接受的扩展摘要。请注意，这里只列出了可接受的扩展摘要，MIDL 2020 Full Paper Track的论文集发表在Proceedings of机器学习研究（PMLR）中。

2020-06-29cs.CVcs.LG

复杂生命系统的寿命建模

Modelling the longevity of complex living systems

University of Helsinki（赫尔辛基大学）

本文是发表于ECML PKDD 2024 Nectar Track的扩展摘要，旨在补充PNAS上刊载的《宏观进化扩张定律》一文相关研究内容。

2024-10-03cs.LGq-bio.PEq-bio.QM