927 篇论文
本研究评估了 LIME、Parzen 和 Greedy 解释方法在宗教文本和图像分类模型上的可信度，发现 LIME 在特定二元文本数据集约束和有限图像范围内的识别不可信特征方面，始终优于其他方法。
本文介绍了一种自适应插值细分方案，该方案通过一种紧凑的边向预测器学习局部插入角，在保持细分曲线经过原始控制点的保证的同时，在欧几里得、球面和双曲几何结构中，其精度和光滑度均优于固定张力的基准方案。
本文提出了 X-WAF，这是一个结合了集成分类器与 SHAP 驱动的可解释性，以实现高精度、低延迟的零日 Web 攻击检测，并能自动将洞察转化为可操作的 ModSecurity 规则，从而无缝集成到现有安全基础设施中的混合机器学习框架。
本文介绍了 StrokeID-NER，这是一个公开可用的印尼语数据集，包含 1,742 条针对中风相关命名实体进行标注的患者生成健康查询，该数据集用于证明经过微调的 Transformer 模型在识别非正式和地区性医学术语方面显著优于零样本基准模型，同时强调未来的性能提升主要取决于扩大词汇覆盖范围，而非模型架构。
本研究引入了一种可扩展且具有理论依据的智能体AI框架，该框架通过一个五维量表对企业可持续发展目标（SDG）声明的可信度进行严谨评估，结果显示，尽管大多数披露内容具有部分实质性，但企业往往低估了其自身的实际可持续发展参与度。
本研究提出了一种通过直方图均衡化和 Adam 优化器增强的改进型 Mask R-CNN 框架，旨在实现 90.4% 的路面坑洼检测与实例分割平均精度均值（mAP），其性能显著优于基准模型，用于智能道路监测。
本文表明，类条件去噪扩散概率模型（DDPMs）通过合成高保真度的少数类样本，有效地缓解了预测性维护中严重的类别不平衡问题，在检测罕见工业故障方面显著优于 SMOTE 和 GANs 等传统增强方法。
本文介绍了因果检索增强生成（Causal Retrieval-Augmented Generation, CR-RAG），该框架将 RAG 流水线建模为结构因果模型，通过后门调整、逆概率重加权和反事实数据增强来减轻伪相关并减少幻觉，在知识密集型基准测试中取得了显著的性能提升，尤其是在长尾问题方面。
本文提出了一种用于图像修复的新颖扩散框架，该框架通过对确定性和随机性的交互建模，以有效地适应不同退化任务的异构需求，从而在多种修复场景中实现了卓越的性能和可解释性。
本文提出了一种拓扑保持、方向感知的纱线级织物模拟自适应框架，该框架根据局部变形和接触活跃度动态调整约束计算强度，同时利用视觉上采样来维持高保真编织结构，而不会产生过高的计算成本。