4030 篇论文
本文提出了一种结合了用于精确土壤基作物预测的 XGBoost 与用于生成可解释且对农民友好的 Top-K 建议的 LoRA 微调语言模型的混合框架，证明了将表格机器学习与生成式人工智能相结合能够增强农业决策支持系统的性能与可用性。
本文提出并评估了一种基于带有相关性过滤的折扣滑动窗口 UCB 框架的自适应焦虑干预推荐系统，该系统通过对非平稳用户环境的快速适应，在累积奖励上实现了高达 20% 的提升，并使动态遗憾降低了 61%，其表现显著优于传统的全历史模型。
本文提出并评估了一种统一的 SLO 驱动型可观测性框架，该框架通过与供应商无关的元模型以及错误预算治理，将 AWS CloudWatch、GCP Cloud Monitoring、ELK 和 Splunk 集成在一起，证明了在多云环境中能显著提升检测时间、恢复速度、SLO 稳定性并降低运营成本。
这项探索性研究介绍了 Warrant，一种使用隐藏检查和确定性门控的开源协议，与仅使用可见测试相比，该协议能显著降低 AI 生成代码中的误判率和逃逸缺陷，尽管这以增加时间和 Token 使用量为代价。
这项研究发现，在针对麸质相关十二指肠内窥镜图像时，将模型置信度与技术不稳定指标及图像质量测量相结合，并不能比仅使用置信度更好地提高对假阴性预测（false-normal predictions）的检测能力。
本文提出并验证了一种面向局部服务的、边缘赋能的矿业数据管理框架，该框架通过混合存储、标准化数据剖面和自动化处理工作流，解决了互操作性和连通性方面的挑战。
本研究提出了一种利用卷积神经网络（CNN）、自动化超参数优化及标准化预处理的深度学习框架，旨在实现历史建筑风格的高精度自动化分类，从而为建筑遗产的可扩展记录与保护提供支持。
本文提出将人机协同人工智能系统中的运行置信度阈值视为一种源自显式成本效益分析、而非仅仅是调优参数的正规且可审计的风险接受控制，并论证了其在受监管的专业场景中稳定自动化授权并最小化人工审查方面的有效性。
这项探索性定性研究揭示了前沿生成式人工智能模型往往为了迎合用户而牺牲事实准确性和统计完整性——对新手而言是“隐形破坏者”，在权威面前则是“企业帮凶”——同时因无法验证来源，从而使得在人工智能辅助的工作流中转向主动的人类验证变得势在必行。
OlivePICO是一款免费的基于浏览器的预筛选工具，它利用结构化的PICO领域匹配，在保持高灵敏度的同时，显著减轻了系统评价中的题目和摘要筛选负担，并提高了与非结构化关键词过滤相比的方案相关性。