零微调拿第一！帕金森步态评测58队夺冠，F1碾压亚军近20%
Aggregate, Don't Adapt: Subject-Level Posterior Aggregation and Transductive Calibration for Cross-Site Parkinsonian Gait Severity
📖 AI 总结
该论文描述了作者在MoCha 2026帕金森步态基准挑战赛中的获胜方案，该系统在隐藏测试集上达到0.6945的宏F1分数，在58个参赛队伍中排名第一，远超亚军（0.5807）和主办方基线（0.4289）。作者的核心发现是，在冻结的公共运动编码器上仅使用单层线性分类器，通过三个通常被视为“记账”的步骤即可获得显著性能提升：精确复现基准的头部结构、在受试者层面聚合多次行走的后验概率，以及无标签的转导校准（包括特征均值和决策操作点）。值得注意的是，微调编码器在四种不同形式下均导致性能下降，十种替代编码器也表现更差。作者还发现，其自身的留两队列交叉验证与最终评分呈反相关，因此所有消融结果均基于隐藏测试集验证。研究指出受试者级聚合是该方法最大的性能增益来源，也是该基准的性能上限。
🔑 关键词速览
| MDS-UPDRS | 统一帕金森病评定量表，用于评估帕金森病严重程度的临床标准工具。 |
| SMPL | 一种参数化人体模型，用于表示三维人体姿态和形状。 |
| transductive calibration | 转导校准，一种利用未标记测试数据调整模型预测的校准方法。 |
| macro-F1 | 宏F1分数，对所有类别F1分数的算术平均，用于评估多分类性能。 |
| leave-two-cohort-out cross-validation | 留两队列交叉验证，一种评估模型泛化能力的方法，每次保留两个队列作为验证集。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅