Skip to content
Hot eventLive

极端二分类：用极值理论约束假阴性

1 reports1 sources3 hr ago updated

Get the story

AI overview

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。

Generated from reports · updated 3 hr ago

LatestOct 8
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)。

Timeline

Follow the coverage from different angles.

Oct 8, 2026
  1. 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。

Heat trend

Current heat 9·Comparable peak 10（Oct 8）·Comparable change over 24 hours –

02.557.510Oct8Oct8Oct8Oct8

The trend compares only the same participants observed continuously; its range may be smaller than the current heat count. Move or click on the chart to inspect hourly heat; use the left and right arrow keys to switch.