1017 篇论文
本文提出了 SPQ-DETR，这是一种基于 Transformer 的检测器，通过集成高分辨率特征保持、从编码器标记中初始化的先验引导查询以及形状感知几何监督，显著提高了在挑战性数据集上的精度和召回率，从而增强了远程微型无人机检测能力。
本文介绍了 \methodfull，这是一个仿真驱动的自我改进框架，它通过使用帕累托验证偏好优化（Pareto-Verified Preference Optimization）和安全近端策略优化（Safe Proximal Policy Optimization），迭代地生成、验证并修复电路网表，从而在多种模拟电路族中实现高精度、多目标的定点规格电路设计。
本文提出了一种鲁棒的基于脑电图（EEG）的生物特征识别系统，该系统通过小波尺度谱图和卷积自编码器将64通道信号转换为二维潜在神经特征，随后利用定制的ResNet对受试者进行分类，在PhysioNet运动想象数据集上实现了99.1%的准确率。
本文提出了两种基于储备池计算的架构改进方案，通过使用高效的时域卷积取代传统的、计算复杂的 MFCC 特征提取，通过采用去中心化的多储备池集成或单一复合波形方法，在语音识别任务中实现了卓越的性能。
本研究利用反向相关法证明，像 ChatGPT 和 Gemini 这样的多模态大语言模型能够生成稳定、具有自我认知且情感正向的“人格化”面部图像，这为这些模型可能拥有其功能性身份的内部表征提供了初步证据。
本研究表明，通过使用从克利夫兰数据集中选出的八个关键特征进行优化，支持向量机（SVM）分类器在预测心脏疾病方面的表现优于其他三十种分类器，其准确率达到 90.28%，AUC 达到 93%。
在两年的时间里，UNC Health 通过实施一个三级风险评估体系强化了其负责任的人工智能框架，该体系在保持严格监管的同时显著提高了评估效率并缩短了交付周期，最终成功审查了 64 项解决方案，并建立了稳健的部署后监测机制，且仅发生极少数不良事件。
本文挑战了在数据漂移情况下向量搜索索引普遍需要进行主动重分区这一前提，通过受控基准测试证明了静态分区足以应对中度周转，同时揭示了增量重中心化是应对显著分布偏移的更具成本效益的解决方案，并最终为从业者提供了一份用于确定何时真正需要维护的机制图谱和决策规则。
本文提出了一种用于工业机器人安全协同的多智能体强化学习框架，并通过仿真表明，尽管确定性贪婪基准策略在效率上优于所提出的安全多智能体强化学习策略，但后者能够促成涌现的通信模式，并凸显了随着集群规模扩大，为降低碰撞风险而对自适应通信带宽的需求。
本文证明，一种决策感知的学术预警机器学习框架通过利用基于校准风险估计的上下文敏感型支持决策，通过减少漏报干预并缩小公平性差异，其表现优于传统的基于规则和概率阈值的方法。