通过 Logistic-Gated 算子实现可审计、单位感知的符号回归阈值
机器学习
2026-01-21 v3 人工智能
符号计算
摘要
AI 在医疗保健领域的规模化化生效于模型不仅要精确，还需具备可读性、可审计性和可治理性。许多临床和公共卫生决策依赖于数值阈值——用于触发报警、治疗或随访的分割点——但大多数机器学习系统将这些阈值埋藏在不透明的评分或光滑响应曲线中。我们引入 logistic-gated 算子 (LGO) 用于符号回归，将阈值提升为方程中的一等单位感知参数，并将其映射回物理单位以便直接与指南进行比较。在面向公开 ICU 和人群健康队列的研究中 (MIMIC-IV ICU、eICU、NHANES)，LGO 在 MAP、乳酸、GCS、SpO2、BMI、空腹血糖和腰围等指标上恢复了临床上合理的门槛，同时在 established 评分系统 (AutoScore) 和可解释提升机 (EBM) 上保持竞争力。这些门槛稀疏且具选择性：它们仅在数据支持 regime 切换时才会出现，并在主要为光滑任务时被修剪，产生紧凑公式，供临床医生检查、压力测试和修订。作为独立符号模型或黑箱系统的安全覆盖层，LGO 有助于将观察性数据转化为医疗及其他以阈值驱动的领域的可审计、单位感知规则。
关键词
引用
@article{arxiv.2510.05178,
title = {Auditable Unit-Aware Thresholds in Symbolic Regression via Logistic-Gated Operators},
author = {Ou Deng and Ruichen Cong and Jianting Xu and Shoji Nishimura and Atsushi Ogihara and Qun Jin},
journal= {arXiv preprint arXiv:2510.05178},
year = {2026}
}