💻 计算机科学
Longitudinal Component Level Analysis of Neural Network Training Dynamics Beyond Accuracy and Loss
本研究引入了一种用于分析纪元级（epoch-level）神经网络组件动态的非侵入式框架，揭示了具有相似准确率的模型往往表现出截然不同的内部行为，并证明了描述符引导的剪枝可以优于随机剪枝，同时证实了内部指标具有补充性的诊断价值，但尚未超越基于量级的准则。
💻 Category
cs
4091 篇论文
💻 计算机科学
Explainable AI (XAI) for Credit Scoring Model Validation
本研究提出并实证验证了一个全面的可解释人工智能（XAI）驱动框架，该框架将事后解释技术与定量质量指标整合进信用评分模型的生命周期中，旨在平衡预测性能与数字银行业中的监管合规性、透明度及利益相关者信任。
💻 计算机科学
Mosaic: Modular Orchestration of Specialised AI Components
该论文提出了 MOSAIC，一种模块化架构，通过模型规模替换、早期终止和累积部分解析等机制，利用硬编码编排逻辑与专门的小型组件构成的严格层级结构来取代昂贵的尖端语言模型，从而在实现相当准确度的同时显著降低推理成本。
💻 计算机科学
Fish monitoring in river by deploying IoT-UWSNs
本文提出了一种利用物联网赋能的水下传感器网络和卷积神经网络来自动实时识别鱼类物种的 AI 驱动鱼类监测系统，从而在数据集扩展和硬件优化仍面临持续挑战的情况下，增强了水生生态系统管理与生物多样性保护。
💻 计算机科学
Privacy-Preserving Continual Learning for Detecting Concept Drift in Distributed Artificial Intelligence Systems
本文提出并评估了一种用于分布式人工智能系统的隐私保护持续学习框架，该框架通过使用差分隐私信号和正则化重演，有效地检测概念漂移并缓解灾难性遗忘，证明了尽管检测延迟略有增加，但在适度的隐私预算下实现准确的漂移检测是可行的。
💻 计算机科学
When high AUROC does not travel: internal-to-external performance differences in machine-learning models for antimicrobial resistance
这项元研究表明，用于抗生素耐药性的机器学习模型在从内部验证转向外部验证时，往往会出现显著的性能下降，且这种差距的幅度差异巨大，导致无法使用统一的修正因子来处理报告的 AUROC 值。
💻 计算机科学
Do Clinical Notes Improve ICU Mortality Prediction? A Controlled Comparison of Structured and Multimodal EHR Fusion Strategies
本研究表明，虽然临床笔记在超越结构化电子健康档案变量方面并不能一致地提高重症监护病房（ICU）死亡率的判别能力，但通过特定的多模态融合策略进行整合时，它们可以增强死亡率的回溯能力，这强调了在临床人工智能中进行严格基准比较和多维度评估的必要性。
💻 计算机科学
Quantum Superposition over Near Optimal Seeds for Maximum Independent Set on Dense Graphs
本文提出了一种量子变分算法，该算法利用近优种子（near-optimal seeds）的均匀叠加以及基于干涉的后选择技术，来解决高达400个节点的稠密图上的最大独立集问题，在以往方法失效的困难实例上，其表现显著优于标准的变分量子特征值求解器（VQE）和经典启发式算法。
💻 计算机科学
Uncertainty-Aware Dual-Attention Temporal Convolutional Networks for Remaining Useful Life Prediction
本文提出了一种不确定性感知双重注意力时间卷积网络（UA-DA-TCN）框架，该框架集成了多尺度时间卷积、双重注意力机制和蒙特卡洛丢弃法，旨在实现对航空发动机剩余使用寿命进行准确、可解释且具备不确定性感知的预测，并在 NASA C-MAPSS 数据集上表现优于现有基准模型。
💻 计算机科学
A multi-model study of diagnostic faithfulness in AI-generated histopathology images
本研究评估了七种文本生成图像模型在大量组织病理学病例中的表现，并发现尽管表现最佳的模型已接近诊断解释性，但它们仍频繁遗漏关键特征且未能捕捉具有临床意义的质量，这表明当前的生成式人工智能及其评估指标尚不具备在肿瘤学领域进行负责任应用的成熟度。