2363 篇论文
CardioTrust 是一个新颖且值得信赖的 AI 框架，它整合了机器学习风险分层、预测引导的混合检索增强生成（Hybrid Retrieval Augmented Generation）以及 SHAP 可解释性，旨在提供高度准确、透明且具有临床依据的个性化心血管疾病预测，其表现显著优于传统的基准模型。
本文介绍了 FC-CML 算法，该算法利用循环拓扑和快速卷积将混沌神经图像编码的时间复杂度从 O(N³) 降低至 O(N log N)，将空间复杂度从 O(N²) 降低至 O(N)，从而使在如 ESP32 等低成本边缘设备上进行稳定、高速的图像处理成为可能。
本文提出了一种基于近端策略优化（Proximal Policy Optimization）的强化学习框架，该框架利用印度电网主数据集来管理双向车网互动（Vehicle-to-Grid）功率流，通过非对称奖励函数和严格的荷电状态（State of Charge）约束，在平衡经济与环境效益的同时兼顾电池寿命。
本文提出了一种增强型 EfficientNetV2-L 框架，该框架利用由 Stable Diffusion 生成的平衡数据集，在检测深度伪造肺部 CT 图像方面，实现了比现有深度学习模型更高的准确率和鲁棒性。
该论文介绍了 BioGCN，这是一种受生物学启发的图卷积网络，它通过整合 ATC 编码作为领域知识，与传统的机器学习方法及现有模型相比，显著提高了预测人体口服生物利用度的准确性。
本文提出了一种名为 DTRW-YOLO11s 的增强型绝缘子缺陷检测算法，该算法通过集成 DSDown 下采样模块、Triplet Attention 以及基于 RFCAConv 的多尺度感知与 WIoU 损失函数，在显著提高检测准确率和计算效率的同时，减少了复杂输电线路环境下的误检与漏检。
本文提出了 RECO-Rank，一种补偿性多证据排序模型，该模型整合了语义、主题和引用信号，旨在克服跨领域审稿人推荐中仅依赖语义优先过滤的局限性，从而在保持高排名精度的同时，提高对具有差异化术语的合适审稿人的识别能力。
本文提出了一种结合了神经网络、遗传算法、强化学习和支持向量机的创新型集成人工智能框架，旨在同时优化水泥配合比设计、窑炉控制和生命周期评估，在解决关键实施挑战的同时，显著降低二氧化碳排放、能耗及原材料使用量。
本文提出了 HCL-YOLOv8，这是一个轻量化检测框架，通过集成层次一致性学习、任务对齐标签分配以及专门的损失函数，旨在解决复杂背景下微小缺陷定位难的问题，从而增强输电线路绝缘子缺陷的识别能力。
本文提出了一种轻量级且具有可解释性的框架，该框架将生物力学引导的标准运动建模与四层时空图卷积网络（ST-GCN）相结合，旨在为体育教学环境下的立定跳远提供具有相位特异性、高准确度的质量评估与反馈。