4072 篇论文
本文介绍了 SPT-CCRNet，这是一个结合了结构化渐进式标记化、图推理和干预式上下文归因的可解释深度学习框架，用于实现肾活检图像的最先进多结构分割，在显著超越现有基准模型的同时，证明了其特定架构组件的重要性。
本文提出了一种双层门控多模态学习框架，通过层次化门控和自适应损失机制，动态整合文本、数值及类别型医疗数据，旨在提高针对老龄化人群的医疗保健与康复建议的准确性、可解释性及泛化能力。
本文认为，行为复杂性和奖励信号不足以证明人工效价，进而提出一个由四项组织条件构成的框架和一个预防性治理模型，旨在指导对日益自主的人工智能系统进行伦理调查。
本文提出了一个重构的跨数据集与跨架构基准测试，用于评估各种攻击下的联邦聚合方法，强调了修剪平均值（Trimmed Mean）在洁净数据下的卓越性能以及 Krum 对特定威胁的鲁棒性，同时批判性地指出了限制研究结论仅限于描述性比较而非普遍统计性主张的指标实现缺陷及溯源局限性。
本文提出了 WaveInvNet，这是一种轻量级多模态深度学习架构，它通过一种新颖的小波分离动态不变形（Wavelet-Separated Dynamic Involution）模块将皮肤镜图像与患者元数据相结合，以自适应地捕获异构病变特征，并在 HAM10000 数据集上的皮肤病变分类任务中达到了最先进的性能。
本文介绍了数据锚定标签注意力（Data-Anchored Label Attention, DALA），这是一种通过利用专家定义和判别性锚点来丰富标签查询，从而增强电子供应链中断检测的参数高效型方法，并在一个由专家验证的新闻标题组成的数据集上，实现了相比基准模型在宏平均 F1 分数上的显著提升。
本文介绍了 ICD2BERT，一种在没有进行领域特定修改的情况下在 ICD 代码上进行预训练的标准 BERT 模型，并通过广泛的基准测试表明，此类架构复杂性往往无法超越更简单的基准模型，从而强调了对于临床结果预测而言，数据质量、规模和预训练比模型的复杂程度更为关键。
本文提出了贝叶斯概念巩固（BCC），这是一个利用概念稳定性损失和不确定性感知机制来保持所学概念语义完整性的持续学习框架，并通过新的知识稳定性指数（KSI）证明了标准的准确率保持方法无法防止概念层面的漂移。
本文提出了一种利用论证网络来捕捉劳动关系案件中细微的事实状态、法律规则和司法推理的议题级法律表示框架，证明了这种细粒度的表示在预测结果和识别司法判决的具体依据方面，显著优于传统的二元方法。
本文提出了受控认知企业架构（GCEA），这是一个统一的参考模型，它整合了战略智能、知识记忆、决策制定、代理式人工智能以及人工智能保障，旨在帮助组织从碎片化的 AI 举措向值得信赖、负责且持续进化的认知企业转型。