ATHENA: جستجوی معماری عصبی عاملمحور با راهنمایی دانش برای مدلسازی پروندههای الکترونیکی سلامت مبتنی بر AutoFormer
مدلهای زبانی AI 91/100 تحلیل هوشمند
خلاصه خبر واقعیت از منبع
arXiv:2608.21712v1 Announce Type: new Abstract: Transformer-based models are widely used for clinical prediction from electronic health records (EHRs), yet their architectures still require substantial manual tuning, and the optimal configuration may vary across tasks and hospitals. Neural architecture search (NAS) automates architecture design, but conventional methods are computationally costly for Transformer-based EHR models. Recent large language model (LLM)-guided NAS…
تحلیل راهبردی تحلیل / هوشمندی
مدلهای مبتنی بر Transformer برای پیشبینیهای بالینی از پروندههای الکترونیکی سلامت کاربرد گستردهای دارند، اما طراحی بهینه معماری آنها نیازمند تنظیمات دستی پیچیده است. روش ATHENA با استفاده از جستجوی معماری عصبی خودکار و راهنمایی دانش، این فرایند را بهینه میکند.
چرا مهم است؟
—
اثر احتمالی برای ایران
متوسط
- کلی: 51
- فناوری: 87
- اقتصادی: 40
- صنعتی: 30
- توانمندی ملی: 23
حوزه راهبردی
مدلهای زبانی
موجودیتهای مرتبط
عامل هوشمند · technology مدل زبانی بزرگ · technology هوش عاملمحور · technology سلامت · industry