HypUC：通过梯度提升校正进行超精细不确定性校准，实现不平衡心电图上的可靠回归

基于摘要分析。该研究主要面向 ECG 医疗时间序列中连续生理参数的预测，提出 HypUC，将不平衡回归处理、概率预测与不确定性校准结合，以改善异常情况低发生率导致的预测误差和可靠性问题；EEG 仅作为医疗时间序列的示例出现，并非摘要所述验证对象。 方法上，作者提出基于核密度的技术处理连续标签分布不平衡，采用概率回归估计预测值的不确定性，再进一步校准这些估计。校准后的不确定性既用于修正连续值预测，也用于标记不可靠预测。标题明确提及梯度提升校正，但摘要未说明其输入特征、训练目标及与回归模型的连接方式；核密度技术的具体作用方式、概率分布假设和校准流程尚未验证。 作者报告，在来自数百万患者的大规模、多样化真实世界 ECG 数据上，HypUC 在多种诊断任务中优于若干常规基线。摘要未提供具体任务清单、数据划分、对照方法、误差指标或校准指标，因此不能量化收益，也不能判断不同协议下的可比性；实验协议、消融及统计信息尚未验证。作者称基于 HypUC 的高钾血症诊断算法将开展真实世界前瞻性临床研究，这是计划而非已完成的临床验证。 平台推测（待验证）：假设 EEG 连续生理量预测也存在标签长尾分布，核密度驱动的不平衡处理与预测后校准可能具有可复用价值，但原领域有效不等于 EEG/BCI 有效。迁移需要改造信号编码器，并核对校准过程对独立标签和数据规模的依赖；EEG 低信噪比、跨被试分布变化、通道差异及稀有标签样本不足可能使校准失效。可在一个已有连续标签的 EEG 数据集上，固定编码器并按被试划分训练、校准和测试集，比较原始概率回归与加入 HypUC 校准后的总体误差、稀有标签区间误差及预测区间覆盖情况。已有 EEG 相关工作尚未检索确认。