热点事件持续更新
极端二分类：用极值理论约束假阴性
1 篇报道1 个报道来源2 小时前 更新
先了解这件事
AI 综述
2026年10月8日，arXiv Statistics Machine Learning 发布论文《极端二分类：用极值理论约束假阴性》。论文提出极端二分类问题，目标是将分类器的假阴性率 α 约束为 ε_{N₁}=o_{N₁→∞}(1/N₁)，其中 N₁ 为训练集正例数。作者给出基于极值理论保证的阈值自适应方法，以及基于样本极大值置换检验的特征选择流程。在四个不同规模的真实数据集上，该方法与现有最先进方法相比表现良好，并在癌症筛查数据集上展示了可解释性。
AI 根据报道生成 · 2 小时前更新
最新进展10月8日 12:00
arXiv 论文提出极端二分类框架，用极值理论将假阴性率约束至 o(1/N₁)。报道时间线
沿着报道，了解事件的不同侧面。
10月8日
- arXiv · Statistics Machine Learning极端二分类：用极值理论约束假阴性
论文提出极端二分类问题，目标是将分类器的假阴性率 α 约束为 ε_{N₁}=o_{N₁→∞}(1/N₁)，其中 N₁ 为训练集正例数。作者给出基于极值理论保证的阈值自适应方法，以及基于样本极大值置换检验的特征选择流程。在四个不同规模的真实数据集上，该方法与现有最先进方法相比表现良好，并在癌症筛查数据集上展示了可解释性。
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。