项目实践

问题

模型能生成可执行的 SQL，却可能选错表、列或关联路径。我用同一批问题对比未微调模型与优化后的模型，分别评价查询能否运行、结果是否正确。

方法

• 在单张 16 GB V100 上，用 800 条样本完成 QLoRA 微调。从参考 SQL 的语法树提取表、列和关联边作为辅助监督，并用冻结基座的全词表 KL 散度约束训练。
• 生成时逐 token 检查 SQL 语法和别名作用域，屏蔽非法续写。静态检查发现字段归属或 JOIN 路径问题时，模型根据原问题、完整表结构和诊断重新生成一次。

结果

在固定的 100 道 BIRD 开发题上，未微调模型有 36 题执行结果正确，71 题可执行。微调与约束解码后分别为 44 题和 75 题。一次纠错又使 2 题可以运行，最终正确题数仍为 44。

问题

多导联心电等函数型数据具有高维、强相关的结构。如何在右删失生存结局下，学习不同函数之间共享及特有的风险成分，同时保留可追溯的解释？

方法

• 将多尺度共享表征学习扩展至右删失生存结局，基于 Cox 偏似然的得分与信息几何学习导联间分组，逐层提取共享与特有风险成分，并通过残差化学习后续风险方向。
• 实现 Fusion 与 Directional 两类分组机制，分别依据导联风险贡献的一致性和标准化风险方向构造候选；通过递归变换将预测重构为“导联 × 时间”载荷，解释不同导联及时间位置的贡献。
• 使用 CODE-15 十二导联心电数据开展多划分种子、五折及嵌套训练规模比较，分析表征复杂度与风险判别表现。

结果

研究包含 154,744 条十二导联心电记录与 7,888 例死亡事件。在 10 个划分种子的五折验证中，全训练规模下 Directional 平均成分数从 72 降至 36.48，平均 C-index 为 0.74598。补充比较中，Fusion 平均成分数为 25.02，C-index 为 0.74548。

C-index 使用 Uno 估计。以上为已有多划分结果的描述性汇总，不代表预测性能显著提高或统计等效。导联关联描述拟合模型结构，不代表生理连接或因果关系。

问题

如何利用随访信息建立预后模型，并在控制数据泄漏的评估流程中，比较不同序列模型与生存分析方法？

方法

• 基于 MSK-CHORD 的 5,368 名乳腺癌患者记录，使用 SQLite 整合诊断、治疗与疾病进展事件，构建 Landmark 样本；采用患者级划分及训练侧预处理，预测不同随访时点的后续风险。
• 使用类别嵌入与数值特征表示变长事件序列，通过 Transformer 编码器及掩码池化学习患者表征，结合数值稳定的 Cox 损失建模右删失结局；仅使用预测时点前的事件。
• 对疾病进展变量进行模型敏感性分析，观察输入变化对应的预测响应。

结果

形成纵向风险建模与解释分析方法，结合 SHAP 和疾病进展事件扰动，分析模型对事件信息的敏感性，区分预测关联与因果效应。

尚无正式外部或前瞻性验证；事件修改用于模型敏感性分析，不代表已识别的治疗因果效应。

研究问题

面向接受新辅助免疫联合化疗并完成手术的非小细胞肺癌（NSCLC）患者，研究治疗前后胸部 CT 中原发肿瘤与淋巴结的双区域特征，对患者级术后病理淋巴结状态（ypN）的预测价值。

已开展的工作

• 结合 SLIC 局部划分与预训练 ResNet18 多层特征，通过训练折内 PCA 降维和 GMM 聚类构建影像表型，形成包含局部异质性及淋巴结集合信息的 102 维患者表征。
• 融合 50 维空间与纵向特征，联合建模肿瘤与淋巴结影像表型及治疗前后变化；在 827 名患者上采用患者级十折及三中心留一验证，评价判别、校准与跨中心泛化。
• 补充数据诊断：核查 14,775 个淋巴结连通域，其中 3,391 个（约 23%）因重采样消失或筛选规则未进入特征提取，为小病灶表征改进提供依据。

当前阶段

研究仍在推进，当前重点是可靠基线、信息损失定位与表征改进。现有候选尚不足以支持稳定采用，未确定正式采用模型。

问题

模拟香港无抵押分期贷款业务，将持续产生的客户、申请、放款和还款事件转化为口径一致、可追溯的日常业务指标。

方法

• 使用 Python 和 PostgreSQL 定义审批率、放款额、贷款余额与逾期指标，区分流量和存量口径；按事件版本处理重复、迟到与修正记录，完成增量计算和数据对账。
• 在本地定时完成每日处理与修正窗口重建，仅将聚合指标同步至云端，为五页 Streamlit 看板提供数据。
• 设置数据质量与对账检查，验证重复运行结果一致、修正记录正确反映在指标中，并检查事务失败回滚。

结果

已核验的项目快照覆盖 248 天、4,665 笔已放款贷款、9,470 万港元本金，完成 19 项测试。看板覆盖业务概览、信贷漏斗、资产与回收、贷款批次及渠道与数据质量。

以上均为合成数据与项目验收快照，不代表真实客户、实际放款规模或仪表板当前的实时数值。

问题

只能向 30% 的客户发送短信时，应该优先选择谁？基于 200,039 名有标签客户，区分“本来就会购买的人”与“因短信而增加购买概率的人”。

我的工作与模型设计

• 按小票还原历史交易并构建 53 个客户特征，覆盖 RFM、近期消费趋势和积分行为；固定种子 42 与训练、验证、评价分区，比较随机发送、RFM、响应预测及增益策略。
• 设计 C1 正则化 DR-learner：结合购买概率模型与处理分配信息构造增量标签，再以受限复杂度的梯度提升树学习客户增益。最终模型最多 7 叶、每叶至少 1,000 人，降低对噪声标签的过拟合倾向。
• C1 在八个候选策略中取得最高验证集 AIPW 价值，因此冻结为最终策略；按正增益排序，在 30% 预算内生成发送名单，分析名单重合与客户画像差异，再使用 40,083 名评价客户进行离线比较。

结果

窄屏可横向滚动查看完整表格。

区间采用两比较 Bonferroni 校正（每项 97.5% 区间，总 α=0.05）。AIPW 呈名义正向证据，但 IPW 区间均包含零。估计依赖随机分配及分配概率 0.5 等假设；本轮复用了已查看的历史评价数据，未校正跨轮探索，不能解释为独立确认或线上收益。

树深度、直接预算优化与特征数量对照保留为补充研究；不因评价结果更换已冻结的 C1，也不将不显著解释为策略等效。