2363 篇论文
本文提出了一种基于深度学习的针对低资源语言阿法尔语（Afan Oromo）的仇恨言论检测系统，该系统利用 XLM-RoBERTa 和 Afro-XLMR 模型，证明了经过微调的 XLM-RoBERTa 在包含 22,000 条社交媒体样本的数据集上取得了 95.3% 的 F1 分数和 95.8% 的准确率，从而增强埃塞俄比亚的网络安全与社会凝聚力。
Cethraian-Shift 项目评估了在 NIH ChestX-ray14 上训练并在 VinDr-CXR 上测试的多标签胸部 X 线分类器的跨数据集可靠性、校准度、标签策略敏感性以及 Grad-CAM++ 稳定性，揭示了判别力、校准度和解释稳定性表现为不同的技术维度，同时强调这些回顾性发现并未确立临床效用或部署就绪性。
本研究对比了在 UCI Diabetes 130-US Hospitals 数据集上的六种机器学习模型，并发现基于树的集成模型，尤其是 XGBoost，其表现优于从头开始训练的神经网络以及使用自监督预训练的神经网络，在预测糖尿病患者 30 天再入院率方面达到了约 0.675 的 AUROC 这一实际判别天花板。
本文提出了一种结合多密度随机 Petri 网与卷积神经网络的 CNN–SPN 混合框架，旨在提高检测 Hadoop 集群中节点不稳定性的准确性与可解释性，并在合成数据集上实现了优于基准模型的性能。
本研究表明，相比于仅提供最终状态，为语言模型分析师提供构建的 Transformer 电路的多个连续状态，能显著提高因果边恢复和干预后预测的准确性，即使在所有其他实验条件保持一致的情况下也是如此。
本文提出了一种因果、等效功率的协议，通过将中毒模型与匹配的零假设条件进行比较，并使用经过统计校正且时间对齐的检测器以避免多重测试和混杂因素导致的假阳性，从而严谨地测试内部后门前兆是否先于可观测的恶意行为。
本研究表明，尽管训练顺序（从不同方向趋向平衡混合物）会在上下文学习与权重内学习机制的强度上产生瞬时的、可衡量的差异，但它并不会导致小型 Transformer 中出现持久的滞后现象或根本不同的因果电路组织。
本研究通过操纵块顺序并进行因果干预，调查了关系性语言的暴露时机是否会影响小型视觉-语言 Transformer 中的组合式视觉接地，最终发现没有证据表明早期暴露比晚期暴露具有性能优势。
这项受控研究表明，训练顺序显著影响安全对齐机制及其结果，揭示了在安全对齐之后进行帮助性训练，与反向顺序相比，能大幅减少不安全的拒绝和良性的过度拒绝，同时还表明这些行为转变是由高层网络中的表示旋转而非稳定的因果中介所驱动的。
本研究表明，尽管一个基于证据的大型语言模型在高中阶段评估中仅表现出与教师评分的中度一致性，并呈现出趋于宽容的倾向，但它作为一种面向一致性调节和研究的价值且透明的工具，而非用于完全自主的高利害评分。