Auditing Curriculum-Order Representations in Educational AI: Held-Out Metadata-Transition Prediction in Synthetic and Oak Corpora
本文通过使用字符级语言模型对教育 AI 系统进行审计,发现尽管这些系统能够成功预测合成数据集和真实世界数据集中留出的课程转换,但这种能力源于对显式元数据分解的利用,而非对课程内容的语义理解。
2363 篇论文
本文通过使用字符级语言模型对教育 AI 系统进行审计,发现尽管这些系统能够成功预测合成数据集和真实世界数据集中留出的课程转换,但这种能力源于对显式元数据分解的利用,而非对课程内容的语义理解。
本文提出了一种利用三轴惯性测量单元(IMU)传感器数据和集成学习进行帕金森病严重程度分类的非侵入式系统,证明了 LightGBM 模型优于其他机器学习算法,准确率约为 97%。
本研究评估了五种用于在不平衡数据上检测零日攻击的监督式机器学习模型,最终选择 XGBoost 作为最优解决方案,因为它相比于虽然准确率更高但速度较慢的随机森林,在保持高准确率与快速处理时间之间取得了更优的平衡。
本研究引入了一个三阶段机器学习流水线,该流水线在超过67万件肯尼亚地方法院案件上进行了验证,利用 LightGBM 和 CatBoost 模型来预测案件处理时长并对当日结案进行分类,从而通过一个经验得出的风险方案和一个部署的 Web 应用程序来实现主动的积压管理。
本研究表明,仅在极端数据匮乏(5% 的 5,600 幅图像)的情况下,经 ImageNet 预训练的 EfficientNet-B0 在四分类脑肿瘤 MRI 分类任务中才显著优于随机初始化,同时强调了诸如潜在的患者级数据泄露以及迁移学习优势在更大数据比例下缺乏统计学显著性等关键局限性,并最终反对在未经进一步严格验证的情况下进行自主部署。
本研究表明,利用结合了 PPG 和心跳间隔特征的随机森林模型,可以实现对可穿戴 PPG 信号进行准确、可解释且计算高效的五分类睡眠阶段划分,为资源密集型的深度学习方法提供了一种可行的替代方案。
该论文提出了 LDMFNet,这是一种轻量级双模态融合网络,其特征在于采用双特征骨干网络和专门的注意力模块,旨在实现跨各种数据集的准确、高效的多光谱目标检测,同时在精度和泛化能力方面优于现有算法。
本文提出了 BMTransUNet,一种边界感知门控多模态 Transformer U-Net,该网络通过自适应融合、基于 Vision Transformer 的上下文建模以及边缘增强型跳跃连接来整合 RGB 和 DSM 数据,从而在遥感图像语义分割中实现卓越的精度。
本文提出了一种鲁棒的两阶段滤波方案,该方案结合了模糊细胞自动机与 Jaccard 相似度和汉明距离度量,以有效地检测并去除椒盐噪声,同时保留图像细节,其性能优于现有技术。
本文提出了 STAM 框架,该框架通过将用于场景感知嵌入的对比学习与由多实例学习注意力引导的 Transformer 编码器相结合,有效解决了视频异常检测中的上下文和时间局限性,并在基准数据集上实现了卓越的准确率。