标签
本文提出'警报列表一致性'指标，该指标基于Jaccard相似度并采用患者层面的自助法置信区间，用于评估九种缺失值填补策略对ICU患者脓毒症预警名单的影响。研究发现在PhysioNet/CinC 2019数据上，AUROC相近的处理流程可能产生差异显著的警报列表。
本文提出了一种知识追踪模型的验证协议，使用XGBoost和深度学习基线模型在ASSISTments数据集上评估预测性能以及解释的稳定性和忠实性。
本研究表明，使用全血细胞计数(CBC)数据的机器学习模型在区分儿科患者的细菌和病毒感染方面优于单独的CRP。
本文介绍了Solar Intelligence，一个混合检索增强框架，它统一了太阳能数据分析、基于证据的科学问答和机器学习预测，以支持太阳能领域的决策制定。
研究人员开发了一个成本敏感的XGBoost模型，使用电子健康记录数据来预测产ESBL肠杆菌科感染，旨在指导经验性抗生素选择并减少碳青霉烯类药物的过度使用，这是一项12家医院的研究。
本文提出了一种两阶段集成预测模型，利用XGBoost预测私有云中的CPU工作负载，首先预测客户服务请求，对大多数应用实现了SMAPE低于7%的高精度。
本文评估了干扰函数的预测误差与因果估计器性能之间的关系，发现预测误差在诸如XGBoost和Double Machine Learning等方法中，并非因果偏差或置信区间覆盖范围的一致性度量。
XGBoost已更新，支持多类和多标签问题，无需为每个类或标签训练单独的模型，引入了Vector-Leaf Model。
SAGE-XGBoost 是一个机器学习框架，它使用空间增强图嵌入和数据增强来提升在数据稀缺条件下的自然灾害易发性映射，展示了优于传统模型的性能。
本文研究了XGBoost在回归任务中对异常值的敏感性，并引入了基于M-、S-和τ-估计器的鲁棒损失函数，提出了MM-XGBoost以在鲁棒性和预测精度之间实现更好的权衡。
该预印本比较了XGBoost和LSTM在区域供热系统传输热能预测中的表现，发现XGBoost在持续优于LSTM的同时，还提供了更低的计算成本和环境影响。
本文介绍了一个用于检测立法委员会证词中自我介绍的机器学习流程，使用词袋和BERT概率等特征。XGBoost取得了最佳F1分数0.9747，并通过BERT增强特征进一步改进。
Gabriel Chua 指出，XGBoost 赢得了 KDD 2026 时间检验奖，以表彰其对机器学习的持久影响。
本文介绍了一个用于以太坊参与者分类的泄漏感知评估框架，将XGBoost等基于树的模型与序列深度学习模型（Transformer、BiLSTM）进行比较。作者发现，在减少泄漏的条件下，XGBoost优于序列模型，同时具有更低的延迟和能耗。
本文提出LFS-FRAME，一种无泄漏的堆叠集成框架，结合Kolmogorov-Arnold网络与XGBoost实现稳健的多类分类，在主要类别上达到89.85%的准确率，在子类别上达到81.74%。
本文介绍了ClickGuard，一款浏览器扩展，它结合了Transformer嵌入和语言学特征的混合机器学习模型，用于检测并识破点击诱饵新闻，在组合数据集上达到了91%的F1分数。
本文构建了一个多维框架，用于评估基于机器学习的2型糖尿病风险预测模型的区分度、校准度、可解释性和算法公平性，揭示了在现实世界分布偏移下性能显著下降以及按年龄和肥胖程度存在的偏差。
本研究测试了本杰明·格雷厄姆的经典价值投资规则是否可以作为数学上的“低通滤波器”，防止现代机器学习模型（XGBoost、AutoGluon）过拟合市场噪音。使用20年的标普500数据，作者发现，格雷厄姆规则与随机森林相结合，相比单独使用复杂AI模型，能够实现高收益且风险更低。
本文介绍了ClaMPAPP，一种混合架构，使用LLM作为接口从临床叙述中提取特征，然后将这些特征传递给XGBoost分类器进行儿童阑尾炎诊断，展示了相比端到端LLM基线更高的鲁棒性和安全性。