标签
文章讨论了一篇题为'Reasoning-Intensive Regression'的论文，该论文提出了MENTAT，一种轻量级方法，结合批次反思式提示优化与神经集成学习，以改进AI任务中从文本到数值分数的预测，显示比基线提高多达65%。
作者讨论了使用经典机器学习与LLMs处理商业分类和回归问题，评估了Jev模型作为潜在工具，并将其与现有技术如Structured Outputs和DSPy进行比较，重点强调了可访问性和有效性方面的担忧。
论文介绍了PersonaLink，一种无需训练的方法，它将用户历史蒸馏为有界人格，在分类任务上匹配检索，但在回归任务上不匹配，突显了任务类型的不对称性。
本文介绍了一个图神经回归框架，用于无创估计体成分指标，如体脂率和骨矿物质密度，使用临床数据展示了相比以往方法更高的准确性。
Peter Szilagyi 报告称，Fable 在一个加密库中引入了一个回归问题，其模糊测试器检测到了这个问题，而 Fable 拒绝修补这个安全问题。
本文提出了LitEm，一个神经回归模型，它使归纳式知识图谱嵌入模型能够预测数值属性，在基准测试中取得了优异结果，并引入了一个协同训练框架以提升性能。
本文提出 D^CF5 诊断工具，用于预测分布偏移下回归任务动态集成中逐区域的增益变化，经多数据集验证其预测结果具有高度相关性。
本文报告了Grok 4.6相对于4.5的性能退化，通过率降低且延迟增加，对实际业务任务产生了影响。
本文测试了由人类和前沿语言模型评定的消费科技产品感知属性，是否比上市年数更能预测普及率，结果发现虽有适度改进，但在短期预测方面存在局限。
本文提出一种新的非对称鲁棒有界稀疏平滑（aR）损失函数，用于l1范数惩罚的几何孪生支持向量机（aRSGTSVM），以处理带有标签噪声和特征噪声的分类与回归任务，实现特征选择并提高鲁棒性。在合成数据集、UCI数据集以及中国股市指数跟踪上的实验表明了其优越性。
本文介绍了TS2TabPFN，这是一个将显式特征提取与TabPFN 2.5表格基础模型相结合用于时间序列分类和外部回归的框架。实验表明，它在TSER任务上优于最先进的模型，并在TSC任务上取得了具有竞争力的结果。
本文系统比较了表格基础模型（TabPFN）与经典回归方法在85项土壤光谱任务中的表现，发现TabPFN结合PLSR衍生特征在从田间尺度到全球光谱库的预测性能上均达到最优。
本文研究了多种图神经网络消息传递层在回归场景中的效能，发现深度卷积GNN（尤其是GEN）的表现优于基于注意力机制的GNN。
本文评估了从 Gemini 3.5 Flash 升级至 3.6 Flash 的情况，指出整体基准测试有提升，但某些任务可能存在回归，并建议在升级前进行严格评估并预设失败门槛。
本文提出一种两阶段在线学习框架，通过对正常流量动态进行建模并分析残差，检测移动核心网中影响业务的故障，相比静态阈值取得了更优的精确率-召回率权衡。
本文对ESA的φ-lab开发的两个地理空间基础模型TerraMind和THOR进行了系统比较，分析了补丁大小和解码器类型等架构选择如何影响地球观测任务中十个用例的性能。
本文提出了一种轻量级方法，通过将连续目标离散化为区间，将基于回归的隐式神经表示训练重新表述为分类任务，从而在科学数据压缩中实现灵活的分布建模，用于误差感知的不确定性估计。
Zer0Fit 提供了一个MCP服务器，该服务器封装了Google的TabFM和TimesFM基础模型，用于零样本预测、分类和回归任务，完全在本地运行。