2403 篇论文
本研究提出了一种用于制药制造的综合性人工智能框架，该框架将预测建模与可解释性、公平性、校准、漂移监测以及监管追溯性相结合，以确保决策具备可审计且可辩护的质量治理能力。
本研究表明，轻量化 YOLO11n 深度学习模型能够实现对密集目标图像中干海参加工方法（盐渍、熏制和烘烤）的近乎完美的自动分类，为质量分级提供了一种稳健的、非破坏性的替代方案，以取代主观的人工检查。
本文提出了 SGMS-DTDNet，一种语义引导的多尺度双教师蒸馏网络，该网络通过整合领域特定语义、结构先验和自适应特征选择，克服了异常样本稀缺和缺陷形态异构等挑战，从而在统一的医疗与工业异常检测中实现了最先进的性能。
本研究表明，参数高效微调（PEFT）策略（如部分微调和 BitFit）在心电图基础模型中优于全量微调，能够显著增强泛化能力并减少过拟合，尤其是在分布外数据和资源受限的场景下。
本文引入了一种约束引导的框架，该框架通过 DeepSHAP 定位故障相关权重、通过混合符号执行测试收集符号约束，并利用 Max-SMT 优化更新，从而修复已部署的神经网络，并通过广泛的实验证明，系统的设计空间探索能够揭示关键的修复策略——例如仅针对偏置的修改——这些策略在显著降低对抗性与后门漏洞的同时，仍能保持模型的保真度。
这项针对32项研究（2022–2025年）的系统性综述识别了四种用于自主无人机路径规划的强化学习与元启发式混合架构，并发现尽管这些框架提高了适应性和收敛性，但由于完全缺乏物理硬件验证、代码可复现性和严格的统计测试，其现实世界的应用就绪度目前仍受到限制。
本文提出了一种集成的 AIOps 框架，该框架结合了基于 XGBoost 的预测性风险评分、由自动编码器驱动的异常检测以及基于随机森林的自动化修复，旨在主动缓解部署失败，并显著降低 CI/CD 环境中的平均恢复时间。
本文提出了一种用于电弧增材制造（WAAM）实时缺陷检测的渐进式多架构计算机视觉框架，系统地评估并比较了可解释的两步模型、端到端深度学习网络以及一种新型的可学习预处理架构（MCFE-Net），旨在优化计算效率、可解释性与异常检测准确率之间的权衡。
本实证研究测试了多智能体强化学习中的一种共识摩擦泛函，拒绝了其特定的单调形式作为通用预测因子的说法，同时证明了所观察到的协调效应在很大程度上是设计选择的产物，且唯一存续的结构性效应——即协作对齐能改善结果——是由共享资源环境中可行性的增加而非学习摩擦的减少所驱动的。
本文通过对 Speech Accent Archive 和 AccentDB 数据集的分析，对用于多语言语音口音识别的机器学习与深度学习方法进行了全面的对比研究，证明了混合 CNN–BiLSTM 模型实现了卓越的准确率（高达 99.18%），并强调了将这些系统部署于消费电子产品中以实现个性化、口音感知交互的可行性。