语言大模型 / LLM

Reasoning Before Translation: Enhancing Legal Machine Translation with Structured Reasoning

翻译前推理：用结构化推理增强法律机器翻译

Aixiu An, Michael Jungo, Eloi Eynard, Mark Drenhaus, Andreas Fischer, Jean Hennebert, Sébastien Rumley

专题命中 领域大模型 ：SFT(abstract,comments)；language model(abstract)；small language model(abstract)；分类 cs.CL、cs.AI、cs.LG

AI总结 研究法律领域神经机器翻译难题，通过比较多种方法，评估小型语言模型在不同再训练范式下的表现，以瑞士法律系统为测试平台，发现强化学习效果好，增强小型模型接近前沿推理模型，再训练范式随模型规模收益递减。

Comments Code available at https://github.com/aixiuxiuxiu/Legal-MT-SFT-RL

Leveraging LLMs for Unstructured Claims Data Analysis

利用大语言模型进行非结构化索赔数据分析

Robert D. Lieberthal, Richard Tran, Vietbao Phan, Jawand Singh, Elizabeth Sottung

专题命中 领域大模型 ：LLM(abstract,abstract_cn)；large language model(abstract)；language model(abstract)

AI总结 提出一个两阶段处理框架，利用大语言模型从非结构化索赔数据中提取结构化精算变量，并通过链梯法准备金验证其实际价值。

Comments 41 pages, 6 figures, 3 tables. Code available at https://github.com/mdsight/llm-claims-analysis . Technical Specification Requirement included as Appendix D. Funded by the Casualty Actuarial Society Artificial Intelligence Working Group

You Are What You Prompt: Prompt Quality, Domain Shift, and Uncertainty in Agrifood Vision-Language Models

你即你所提示的：农业食品视觉语言模型中的提示质量、领域偏移与不确定性

Andrea Morales-Garzón, Salvador López-Joya, Miguel López-Pérez, Maria J. Martin-Bautista

机构 * University of Granada（格拉纳达大学） 纠错

专题命中 领域大模型 ：language model(title,abstract)；分类 cs.CL、cs.LG

AI总结 该研究针对农业食品领域，评估了零样本提示集成（ZPE）在分布内与分布外场景的表现，提出PID方法提升严重领域偏移下的故障检测能力，验证了领域特定提示池的优势。

Comments Accepted in the journal Procesamiento del Lenguaje Natural (SEPLN2026)

Position: Current Model Cards Are Insufficient for Downstream Governance of Open-Weight Foundation Models

立场：当前模型卡片不足以支持开放权重基础模型的下游治理

Sungwon Chae, Keonwoo Kim, Hoki Kim, Jaeyeon Ju, Sangchul Park

专题命中 领域大模型 ：foundation model(title,abstract)；分类 cs.AI、cs.LG

AI总结 本文分析Hugging Face的500份模型卡片，指出现有模型卡片无法支持开放权重基础模型下游治理，提出需整合模型卡片、可接受使用政策、许可证的多层治理框架。

Comments Accepted as a position paper at ICML 2026

Hybrid Neural-Classical Correction for Frozen Time Series Foundation Models: A Comprehensive Ablation Study on High-Frequency Stock Prediction

用于冻结时间序列基础模型的混合神经-经典校正：高频股票预测的全面消融研究

Kasun Dewage, Suranadi De Silva, Shankhadeep Mondal

专题命中 领域大模型 ：foundation model(title,abstract)；分类 cs.AI、cs.LG

AI总结 本研究针对高频股票预测任务，对冻结的TimesFM模型开展混合神经-经典校正的全面消融实验，发现经典残差学习贡献最大，GatedLinear+RF性能最优，为基础模型适配提供了实用指导。

Comments Accepted and presented at IJCNN 2026, part of the IEEE World Congress on Computational Intelligence (WCCI 2026)

Protecting patient privacy in clinical foundation models: Technical and legal perspectives

临床基础模型中的患者隐私保护：技术与法律视角

Sana Tonekaboni, Lena Stempfle, Sasha Ronaghi, Corinna Coupette, I. Glenn Cohen, Emily Alsentzer, Marzyeh Ghassemi

机构 * Massachusetts Institute of Technology (MIT)（麻省理工学院（MIT）） ； The Broad Institute of MIT and Harvard（麻省理工学院与哈佛大学博德研究所） ； Borealis AI ； Stanford University（斯坦福大学） ； Aalto University（阿尔托大学） ； Max Planck Institute for Tax Law and Public Finance（马克斯·普朗克税法与公共财政研究所） ； Stanford Law School（斯坦福法学院） ； Harvard Law School（哈佛法学院） ； Petrie-Flom Center for Health Law Policy, Biotechnology & Bioethics（皮里-弗洛姆健康法律政策、生物技术与生物伦理中心） 纠错

专题命中 领域大模型 ：foundation model(title,abstract)；分类 cs.AI、cs.LG

AI总结 针对临床基础模型的隐私风险，提出实用评估框架，结合技术与法律措施缓解泄露，在保留模型价值的同时保护患者隐私。

Comments 14 pages, 2 Figures, 2 Tables

OpenMHC: Accelerating the Science of Wearable Foundation Models

OpenMHC：加速可穿戴基础模型科学发展

Narayan Schuetz, Yuze Bai, Lianggang Pan, Edgar Eggert, Favour Nerrise, Juan Delgado-SanMartin, Max Rosenblattl, Milana Gurbanova, Mohammad Asadi, Anders Johnson, Paul Schmiedmayer, Dennis Wang, Allan Lawrie, Daniel Seung Kim, Xin Liu, Akshay Paruchuri, Ehsan Adeli, Euan Ashley, Kelly W. Zhang

专题命中 领域大模型 ：foundation model(title,abstract)；分类 cs.AI、cs.LG

AI总结 为加速可穿戴健康领域开放科学，发布OpenMHC这一最大最全的可穿戴健康数据集及模型开源实现，引入统一开放基准，对多种模型进行测试，通过大规模开源数据、代码和模型权重，推动可穿戴健康AI研究发展。

Separating Decision-Rule Misalignment from Readout-Coverage Limitations in Speech Language Models

区分语音语言模型中的决策规则失配与读出覆盖限制

Linkai Peng, Baorian Nuchged

机构 * Institute for the Brain and Cognitive Sciences, University of Connecticut（康涅狄格大学脑与认知科学研究所） ； Department of Linguistics, The University of Texas at Austin（德克萨斯大学奥斯汀分校语言学系） 纠错

专题命中 领域大模型 ：language model(title,abstract)；分类 cs.CL、cs.AI

AI总结 该研究提出生成对齐诊断阶梯，区分语音语言模型的决策规则失配与读出覆盖限制，发现状态解码比生成准确率高27.8点，无标签logit校正可提升生成准确率，明确性能损失来源。

AgentGFM: A Graph Foundation Model with Node-Agent Information-Flow Control

AgentGFM：具备节点智能体信息流控制的图基础模型

Jingbo Cui, Jitao Zhao, Di Jin, Dongxiao He

机构 * School of Computer Science and Technology, Tianjin University（天津大学计算机科学与技术学院） 纠错

专题命中 领域大模型 ：foundation model(title,abstract)；分类 cs.AI、cs.LG

AI总结 针对现有图基础模型固定传播方案不适配节点多样结构模式的问题，提出AgentGFM，以节点为智能体通过预测-行动-观察-修正实现自适应信息流控制，实验验证其在多样图拓扑中的有效性。

Comments 13 pages, 5 figures

QuantFlow: A Federated Mamba-Based Post-Transformer Foundation Model for Time-Series Forecasting

QuantFlow：一种基于联合曼巴的用于时间序列预测的后Transformer基础模型

Shah Nawaz Haider, Steve Austin, Arnab Barua, Sarowar Morshed Shawon, Hadaate Ullah

机构 * Department of Computer Science and Engineering, University of Science and Technology Chittagong（信息科学与工程系，查塔姆冈科技大学） ； Department of Electrical and Electronic Engineering, University of Science and Technology Chittagong（电气电子工程系，查塔姆冈科技大学） ； Faculty of Science, Engineering and Technology, University of Science and Technology Chittagong（科学、工程与技术学院，查塔姆冈科技大学） 纠错

专题命中 领域大模型 ：foundation model(title,abstract)；分类 cs.AI、cs.LG

AI总结 研究针对时间序列预测，提出结合多种技术的概率预测框架QuantFlow，用反向序列嵌入等进行处理，经实验验证其在多数据上效果好，且联合学习可保护隐私。

Comments 9 pages, 4 figures

The pretraining domain outweighs the training objective in setting the privacy-utility trade-off of differentially private medical image analysis

自监督预训练在差分隐私医疗图像分析中的作用

Soroosh Tayebi Arasteh, Mina Farajiamiri, Mahshad Lotfinia, Behrus Hinrichs-Puladi, Jonas Bienzeisler, Mohamed Alhaskir, Mirabela Rusu, Christiane Kuhl, Sven Nebelung, Daniel Truhn

专题命中 领域大模型 ：pretraining(title,abstract)；分类 cs.AI、cs.LG

AI总结 本文研究了自监督预训练在差分隐私医疗图像分析中的作用，发现DINOv3初始化在DP下优于ImageNet初始化，但不如领域特定监督预训练。

In Search of the Ingredients of Open-Endedness: Replicating Picbreeder with Large Vision-Language Models

寻找开放性的要素：用大型视觉语言模型复现 Picbreeder

Sam Earle, Kai Arulkumaran, Andrew Dai, Akarsh Kumar, Julian Togelius, Sebastian Risi

机构 * New York University（纽约大学） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

专题命中 领域大模型 ：language model(title,abstract)；分类 cs.CL、cs.AI

AI总结 本研究通过用前沿视觉语言模型替代人类用户复现 Picbreeder，探索人工智能在无引导发现中的开放性能力，并分析系统输出与人类基线在系统发育复杂性、视觉和语义显著性及新颖性上的差异，同时研究探索性噪声、行为多样性和叙事动量等因素的影响。

Comments 26 pages, 21 figures, to be published at GECCO 2026

Journal ref Proceedings of the Genetic and Evolutionary Computation Conference (GECCO '26), July 13-17, 2026, San José, Costa Rica. ACM, 2026

From Blueprint to Reality: Modeling and Applying Putnam's Social Capital Theory with LLM-based Multi-agent Simulations

从蓝图到现实：基于大语言模型的多智能体模拟对普特南社会资本理论的建模与应用

Shiyi Ling, Zhi Zheng, Hui Zheng, Wenjun Xue, Feng Ye, Tong Xu

机构 * University of Science and Technology of China（中国科学技术大学） ； Anhui University（安徽大学） ； North Automatic Control Technology Institute（北方自动控制技术研究所） 纠错

专题命中 领域大模型 ：LLM(title,abstract)；分类 cs.CL、cs.AI

AI总结 研究利用基于大语言模型的多智能体模拟框架SocaSim，对普特南社会资本理论进行建模与应用，通过构建特定环境及智能体实验分析智能老年护理挑战，重现宏观模式且具微观因果路径可解释性，弥合了社会科学与计算机科学。

Comments 23 pages, 13 figures, 11 tables

Structural Certification for Reliable Physical Design with Language Models

面向语言模型可靠物理设计的结构认证

Nakul Vyas, Iliya D. Stoev

机构 * Heysuvi Labs, LLC（Heysuvi实验室） ； Institute of Biological and Chemical Systems - Functional Molecular Systems, Karlsruhe Institute of Technology（生物和化学系统研究所-功能分子系统，卡尔斯鲁厄技术大学） 纠错

专题命中 领域大模型 ：language model(title,abstract)；分类 cs.AI、cs.LG

AI总结 提出Physics-Anchored Certification (PHACT)框架，通过提议-认证循环将断言权从模型转移到确定性引擎，在五个科学领域实现零错误认证。

Comments 16 pages, 5 figures, 5 tables

PlantExpertVQA: A Visual Question Answering Dataset for Benchmarking Vision-Language Models in Plant Science

PlantExpertVQA: 一个用于植物科学中视觉语言模型基准测试的视觉问答数据集

Syed Nazmus Sakib, Nafiul Haque, Mohammad Zabed Hossain, Shifat E. Arman

机构 * Department of Robotics and Mechatronics Engineering, University of Dhaka（达卡大学机器人与机电工程系） ； Department of Botany, University of Dhaka（达卡大学植物学系） 纠错

专题命中 领域大模型 ：language model(title,abstract)；分类 cs.AI、cs.LG

AI总结 PlantExpertVQA数据集旨在提升视觉语言模型在农业决策中的应用，包含765,186个高质量问答对，涵盖38种作物和89种病害，通过多阶段流程生成并经专家审核，验证了参数高效微调的有效性。

Comments 36 pages, 9 figures, 14 tables and Submitted to Nature Scientific Data

BehaviorBench: Benchmarking Foundation Models for Behavioral Science Tasks

BehaviorBench: 行为科学任务的基础模型基准测试

Jin Huang, Yutong Xie, Wanli Song, Xingjian Zhang, Walter Yuan, Matthew O. Jackson, Qiaozhu Mei

机构 * University of Michigan（密歇根大学） ； MobLab ； Stanford University（斯坦福大学） ； Santa Fe Institute（圣塔菲研究所） 纠错

专题命中 领域大模型 ：foundation model(title,abstract)；分类 cs.CL、cs.LG

AI总结 提出BehaviorBench基准，评估基础模型在行为预测、战略决策、特质推断和行为知识应用四类任务上的个体与分布级表现，发现通用模型个体预测强，而微调的行为模型分布对齐更优。

FISHER: A Foundation Model for Multi-Modal Industrial Signal Comprehensive Representation

FISHER：多模态工业信号综合表示的基础模型

Pingyi Fan, Anbai Jiang, Shuwei Zhang, Xinhu Zheng, Zhiqiang Lv, Bing Han, Wenrui Liang, Junjie Li, Wei-Qiang Zhang, Yanmin Qian, Xie Chen, Jia Liu

机构 * Department of Electronic Engineering, Tsinghua University（清华大学电子工程系） ； Institute for Embodied Intelligence and Robotics, Tsinghua University（清华大学智能感知与机器人研究院） ； Department of Computer Science and Engineering, Shanghai Jiao Tong University（上海交通大学计算机科学与工程系） ； Huakong AI Plus Company Limited（华冠AIplus有限公司） ； Didi International Business Group（滴滴国际商务集团） 纠错

专题命中 领域大模型 ：foundation model(title,abstract)；分类 cs.AI、cs.LG

AI总结 针对工业信号分析中的数据异质性（M5问题），提出FISHER基础模型，采用子带建模处理多采样率问题，通过教师-学生自蒸馏预训练，在19个数据集上以较小规模超越24个SOTA编码器。

Comments Accepted by IEEE TII. FISHER open-sourced on https://github.com/jianganbai/FISHER . RMIS open-sourced on https://jianganbai.github.io/RMIS

A large-scale foundation model enables simulation-to-real adaptation for nuclear magnetic resonance-based molecular structure analysis

大规模基础模型实现基于核磁共振的分子结构分析的仿真到真实适应

Chen Yang, Zheng Fang, Hanyu Sun, Fanjie Xu, Hongxin Xiang, Hanyu Gao, Xiangxiang Zeng, Yuqiang Li, Xiaojian Wang, Jun Xia

机构 * The Hong Kong University of Science and Technology（香港科学与技术大学） ； Peking Union Medical College（北京友谊医院） ； Chinese Academy of Medical Sciences（中国医学科学院） ； Xiamen University（厦门大学） ； Hunan University（湖南大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） 纠错

专题命中 领域大模型 ：foundation model(title,abstract)；分类 cs.AI、cs.LG

AI总结 提出大规模NMR基础模型UltraNMR，通过1.58亿对模拟谱预训练，学习可泛化谱表示，在多个实验NMR任务上取得最先进性能，并实现结构感知检索和真实天然产物结构解析。

Evaluating Prompting-Based Defenses Against Domain-Camouflaged Injection Attacks

评估基于提示的防御策略对抗领域伪装注入攻击

Aaditya Pai

机构 * Data Science Institute（数据科学研究所） 纠错

专题命中 领域大模型 ：prompting(title,abstract)；分类 cs.CL、cs.LG

AI总结 针对领域伪装注入攻击，评估五种基于提示的防御方法（如释义、重点标记等）在三个模型家族和三个部署领域中的有效性，发现释义法最有效，可将伪装攻击成功率降低55-84%。

Comments 9 pages, 4 figures, 4 tables; under review at the AdvML-Frontiers x CoTMA workshop, COLM 2026

RooseBERT: A New Deal For Political Language Modelling

RooseBERT: 政治语言建模的新协议

Deborah Dore, Elena Cabrio, Serena Villata

机构 * Université Côte d’Azur CNRS, INRIA, I3S Sophia Antipolis, France（法国尼斯大学 CNRS INRIA I3S 索菲亚Antipolis 分校） 纠错

专题命中 领域大模型 ：language model(title,abstract)；分类 cs.CL、cs.AI

AI总结 针对政治语言特殊性，提出领域预训练模型RooseBERT，在大型政治辩论语料上训练，在多项政治分析任务中优于通用模型。

Tabular Foundation Models for Clinical Survival Analysis via Survival-Aware Adaptation

通过生存感知适配的临床生存分析表格基础模型

Minh-Khoi Pham, Luca Cotugno, Alina Sirbu, Tai Tan Mai, Martin Crane, Marija Bezbradica

机构 * ADAPT Centre, Dublin City University（ADAPT中心，都柏林城市大学） ； School of Computing, Dublin City University（都柏林城市大学计算机学院） ； Department of Computer Science and Engineering, University of Bologna（博洛尼亚大学计算机科学与工程系） 纠错

专题命中 领域大模型 ：foundation model(title,abstract)；分类 cs.AI、cs.LG

AI总结 提出轻量级适配方法，将表格基础模型（TabPFN、TabDPT、TabICL）与多任务逻辑回归头结合，用于临床生存分析，在多个基准和ICU队列上达到竞争性或更优性能。

Comments Accepted for publication at International Conference on AI in Healthcare 2026

BLM-SGAN: Bidirectional Language Modeling for Semantic-Spatial Text-to-Image Generation

BLM-SGAN: 用于语义-空间文本到图像生成的双向语言建模

Ahmed Abdelmoneim Mazrou, Haidy Maher El-Amir, Ali Hamdi

机构 * Faculty of Computer Science, MSA University, Egypt（MSA大学计算机科学学院，埃及） 纠错

专题命中 领域大模型 ：language model(title,abstract)；分类 cs.AI、cs.LG

AI总结 提出BLM-SGAN模型，利用BERT的双向注意力机制捕获长程依赖，解决GAN在文本到图像生成中的梯度消失和序列处理限制，在鸟类图像生成上达到SOTA。

Comments Published in ICACIn 2024. Appears in Advances on Intelligent Computing and Data Science II, Lecture Notes on Data Engineering and Communications Technologies, vol. 254, Springer, 2025

Journal ref Advances on Intelligent Computing and Data Science II (ICACIn 2024), Lecture Notes on Data Engineering and Communications Technologies, vol. 254, Springer, Cham, 2025

LoopFM: Learning frOm HistOrical RePresentations of Foundation Model for Recommendation

LoopFM：从基础模型的历史表示中学习用于推荐

Shali Jiang, Hua Zheng, Boyang Liu, Laming Chen, Kenny Lov, Chuanqi Xu, Lisang Ding, Qinghai Zhou, Can Cui, Xiaolong Liu, Xiaoyi Liu, Yasmine Badr, Xin Xu, Jiyan Yang, Ellie Dingqiao Wen, Gerard Jonathan Mugisha Akkerhuis, Chenxiao Guan, Rong Jin, Ruichao Qiu, Xian Chen, Shifu Xu, Zhehui Zhou, Ping Chen, Rui Yang, Haicheng Chen, Xiangge Meng, Song Zhou, Dharak Kharod, Shuyu Xu, Qiang Jin, Qiao Yang, Wankun Zhu, Qin Huang, Yuzhen Huang, Darren Liu, Parish Aggarwal, Hui Zhou, Erzhuo Wang, Shuo Chang, Xiaorui Gan, Wenlin Chen, Santanu Kolay, Huayu Li

机构 * Meta 纠错

专题命中 领域大模型 ：foundation model(title,abstract)；分类 cs.AI、cs.LG

AI总结 针对知识蒸馏中传递标量导致转移率下降的问题，提出LoopFM框架，通过将基础模型的中间嵌入作为输入特征传递给下游垂直模型，实现高带宽知识转移，并在理论和实验中证明其有效性。

Comments Shali Jiang, Hua Zheng, Boyang Liu contributed equally to this work

ChronosAD: Leveraging Time Series Foundation Models for Accurate Anomaly Detection

ChronosAD：利用时间序列基础模型进行精确异常检测

Uzair Khan, Luigi Capogrosso, Francesco Biondani, Michele Magno, Franco Fummi, Francesco Setti, Marco Cristani

机构 * PR Veneto FESR 2021-2027（普罗文托地区FESR 2021-2027项目） ； Action 1.1.1（行动1.1.1） ； DGR 792 ； CUP D19J24000810007 纠错

专题命中 领域大模型 ：foundation model(title,abstract)；分类 cs.AI、cs.LG

AI总结 提出ChronosAD架构，通过时间序列基础模型提取特征并结合BiLSTM与多头注意力机制，实现跨域鲁棒的异常检测，在11个基准上平均AUC提升4.72%，AP提升6.60%。

Comments Accepted at the 24th IEEE International Conference on Industrial Informatics (INDIN) 2026

Addressing Longstanding Challenges in Cognitive Science with Language Models

用语言模型应对认知科学中长期存在的挑战

Dirk U. Wulff, Rui Mata

机构 * Center for Adaptive Rationality, Max Planck Institute for Human Development（适应性理性中心，马克斯·普朗克人类发展研究所） ； Faculty of Psychology, University of Basel（心理学系，巴塞尔大学） 纠错

专题命中 领域大模型 ：language model(title,abstract)；分类 cs.CL、cs.AI

AI总结 本文探讨如何利用语言模型应对认知科学中研究整合、形式化、概念清晰度等长期挑战，并指出其风险与机遇。

Towards a Physics Foundation Model

迈向物理基础模型

Florian Wiesner, Zoë J. Gray, Matthias Wessling, Stephen Baek

机构 * University of Cambridge（剑桥大学） 纠错

专题命中 领域大模型 ：foundation model(title,abstract)；分类 cs.AI、cs.LG

AI总结 提出通用物理变换器（GPhyT），通过在大规模多样化模拟数据上训练，实现单一模型在多个物理领域（如流固耦合、冲击波、热对流和多相流）的零样本泛化与长期稳定预测，性能超越专用架构7倍以上。

Comments ICML-AI4Physics 2026

Who Endorsed It? Measuring Authority Bias Across Expertise Levels in Language Models

谁背书了它？测量语言模型中跨专业水平的权威偏差

Priyanka Mary Mammen, Emil Joswin, Shankar Venkitachalam

机构 * UMass Amherst（马萨诸塞大学阿默斯特分校） ； Independent Research（独立研究） 纠错

专题命中 领域大模型 ：language model(title,abstract)；分类 cs.CL、cs.LG

AI总结 研究语言模型在推理任务中是否因背书来源的专业水平而产生系统性偏差，发现模型对高权威来源的错误背书更易受影响，导致准确率下降和错误答案置信度增加，但可通过机制干预减轻偏差。

The Cognitive Categorical Transformer: Category-Theoretic Inductive Biases for Language Modeling

认知范畴变换器：用于语言建模的范畴论归纳偏置

Al Kari

机构 * Manceps Inc.（Manceps公司） 纠错

专题命中 领域大模型 ：language model(title,abstract)；分类 cs.CL、cs.AI

AI总结 提出认知范畴变换器（CCT），通过引入基于范畴论和认知科学的组件，在WikiText-103上以306M参数实现21.27验证困惑度，相比GPT-2 Small基线降低2.92 PPL（12%相对提升），并通过消融实验证实单纯复形消息传递贡献了84%的改进。

A Multi-dimensional Framework for Evaluating Generalization in EEG Foundation Models

评估脑电图基础模型泛化能力的多维框架

Aditya Kommineni, Emily Zhou, Kleanthis Avramidis, Tiantian Feng, Shrikanth Narayanan

机构 * Signal Analysis and Interpretation Laboratory（信号分析与解释实验室） 纠错

专题命中 领域大模型 ：foundation model(title,abstract)；分类 cs.AI、cs.LG

AI总结 提出一个多维评估框架，在低资源条件下系统评估EEG基础模型（如LaBraM、CSBrain、CBraMod）的泛化能力，发现其在长上下文任务中表现优异，但在短窗口BCI任务中与监督模型相当，且对通道限制鲁棒性不足。

Comments 24 pages, 5 Figures

Few-shot Cross-country Generalization of Tabular Machine Learning and Foundation Models for Childhood Anemia Prediction under Distribution Shift

分布漂移下儿童贫血预测的表格机器学习与基础模型的少样本跨国家泛化

Yusuf Brima, Marcellin Atemkeng, Lansana Hassim Kallon, David Niyukuri, Antoine Vacavant, Samuel Saidu, Ding-Geng Chen

机构 * Department of Mathematics, Rhodes University, South Africa（数学系，罗德斯大学，南非） ； National Institute for Theoretical and computational Sciences (NITheCS), Stellenbosch, 7600, South Africa（理论与计算科学国家研究所（NITheCS），斯泰伦博斯，7600，南非） ； Interdisciplinary Research Program in Public Health, University of Burundi, Burundi（公共卫生跨学科研究计划，布恩迪大学，布恩迪） ； Universite Clermont Auvergne, Clermont Auvergne INP, CNRS, Institut Pascal, Clermont–Ferrand, France（克莱蒙特-奥弗涅大学，克莱蒙特-奥弗涅INP，CNRS，帕西尔研究所，克莱蒙特-费尔南，法国） ； Department of International Public Health, Liverpool School of Tropical Medicine, Liverpool, UK（国际公共卫生系，利物浦热带医学学校，利物浦，英国） ； College of Health Solutions, Arizona State University, Phoenix, USA（健康解决方案学院，亚利桑那州立大学，凤凰城，美国） ； Department of Statistics, University of Pretoria, Pretoria, South Africa（统计系，普里特oria大学，普里特oria，南非） 纠错

专题命中 领域大模型 ：foundation model(title,abstract)；分类 cs.AI、cs.LG

AI总结 本研究评估了基于Transformer的表格基础模型TabPFN在跨国家、数据稀缺环境下预测儿童贫血的性能，发现其优于经典监督方法，尤其在低数据场景下表现出更好的区分度和校准能力。