2358 篇论文
本文研究了不同数据划分策略对用于预测强子存储环动态孔径的回声状态网络性能的影响，特别探讨了利用基于内科舍罗夫定理（Nekhoroshev theorem）推导出的解析定标律导数来自动确定训练集与测试集划分边界的方法。
本文提出了一种可靠性加权谱分配方法，该方法利用基于梯度的证据自动确定特定任务的参数数量与位置，从而实现具有全谱核心的参数高效视觉微调，在无需用户指定秩预算的情况下，其性能优于线性探测。
本文提出了一种结合了 LSTM 和 LightGBM 机器学习模型与两阶段随机优化的混合“预测-优化”框架，旨在实现能够动态适应波动电价和不确定需求的环保且具成本效益的生产调度，从而在利用负电价的同时降低运营成本和范围 2 排放量。
该论文提出了 SFTeAST，一种创新的时序知识图谱补全模型，该模型集成了结构相似性、螺旋复数时序编码和历史频率过滤，旨在高效推断缺失事实，同时增强泛化能力并减少稀疏场景下的噪声干扰。
该论文介绍了 UniDerm，这是一个完全使用公开数据训练的开源皮肤科基础模型，它采用了一种新颖的监督去噪对比学习方法，在不同肤色和全球基准测试中实现了专家级的诊断准确率，为专有系统提供了一个可复现且公平的替代方案。
本研究表明，虽然大型语言模型可以独立地从冲突指令中恢复，但较小的耦合智能体仅在伙伴的历史记录中缺乏该冲突指令时，才能恢复受扰动伙伴的行为，这证明了多智能体系统中的分布式可靠性源于部分独立的约束源，而非仅仅源于生成量。
本研究提出自适应运行时治理（Adaptive Runtime Governance, ARG）作为一种框架，旨在解决 AI 工作流中已记录的人类审批与当前执行权限之间的伦理差距，并通过一个确定性原型论证，即在执行前立即重新验证授权和策略条件，可以在技术上强制执行具有可追溯性的人类权威。
本文将伦理场论（Ethical Field Theory, EFT）提出为一种统一的 AI 对齐数学框架，该框架将伦理调节建模为一个受非线性场方程支配的连续动力系统，同时在将形式计算与六大哲学传统相联系的同时，建立了七项可测试的预测以验证其科学严谨性，且不将数学类比与物理现实混为一谈。
本文提出了一种面向 APL Logistics 的机器学习解决方案，该方案利用基于历史数据和 SMOTE 技术训练的随机森林分类器来预测延迟交付风险，从而使运营团队能够通过 Streamlit 仪表板主动缓解延迟。
本文通过三项预注册实验证明，几何索引无法改善版本化记忆检索，因为嵌入空间中的人工位移会导致远离查询的无界漂移，同时由于原始椭圆修正无法恢复且会导致沉默性全盘失败，指代消解仍然至关重要。