cs 篇论文 | Gist.Science

本研究表明，预测药品检查结果的机器学习模型主要捕捉的是美国食品药品监督管理局（FDA）自身的监管针对性过程，而非内在的制造质量，从而导致特征解释的不稳定性，并存在部署此类模型会放大现有检查偏差的风险。

本文介绍了剖析状态恢复（Profiled State Recovery），这是一个实用的框架，通过一个冻结且无标签的生命周期来管理流式开放词汇测试时自适应中的持久适应状态，在多种模型和数据集上展示了显著的性能提升，同时确立了状态管理作为流式测试时自适应（TTA）关键设计维度的地位。

本文提出了一种无需训练的数学框架，该框架通过将数据集属性和用户专业知识与算法能力进行匹配，从而为中小企业现金流预测选择最优机器学习模型，进而消除了对详尽模型训练运行的需求。

本文提出了一种基于双流 U-Net 的鲁棒皮肤检测方法，该方法通过层次化注意力机制整合了颜色与纹理信息，在多种数据集及挑战性条件下展示了更高的准确性与效率。

本研究提出了一种改进的 YOLOv8n-SDSC 与 DeepSORT 框架，该框架与 X 射线系统集成，通过引入 Sea_Attention、Dysample、C2f_SCConv 和基于 DIoU 的匹配机制，旨在提升工业分选中核桃检测与追踪的效率与准确性。

本文介绍了 SOA-UNet，这是一个轻量级的深度学习框架，它结合了稀疏特征编码、基于 Otsu 的注意力引导以及自适应边界损失，旨在实现从 MRI 图像中进行准确、快速且具有可解释性的脑肿瘤分割。

本文提出了一种结合文本（TF-IDF）与音频（MFCC）特征的双模态机器学习框架来检测抑郁症，该框架实现了极高的准确率（在音频数据上使用 XGBoost 可达 99.38%），并展示了多模态学习在可扩展、非侵入性心理健康诊断方面的潜力。

本文提出了 WMS-Net，一种小波-Mamba 协同网络，该网络利用多级 Haar 小波变换、基于 Mamba 的方向感知模块以及跨任务注意力交互机制，有效地解决了噪声和特征纠缠问题，从而在单幅 RGB 遥感图像的联合语义分割与高度估计任务中实现了最先进的性能。

本文提出了一种轻量级、高精度的脑肿瘤检测模型，该模型结合了超分辨率技术与一种具有通道和像素注意力机制的人工 Transformer 架构，在包含 7,023 幅 MRI 图像的数据集上实现了 99.16% 的准确率，同时性能超越了现有的最先进深度学习模型。

本文介绍了 DEDA-AFCQ 算法，这是一种利用 q-微积分框架内解析函数系数生成八个方向卷积掩码的新型边缘检测增强方法，在标准数据集上证明了其相对于 CSKP 和基于 Mittag–Leffler 方法等现有技术的卓越结构保真度和性能。