4092 篇论文
本文提出了一种基于脑电图（EEG）的想象手写识别框架，该框架结合了冻结的跨受试者神经编码器、轻量化目标特定分类器以及置信度感知的前缀树（trie）解码器，旨在实现快速个性化、高词重构准确度以及在边缘设备上的低延迟、高能效性能。
这项可复现的多数据集评估表明，自适应特征组掩码在提高针对特征集偏移的鲁棒性方面，并未显著优于更简单的非自适应破坏策略，这表明对于该任务而言，匹配的对照组和数据集层面的推理比复杂的自适应机制更为关键。
本文提出了一种闭环、数据驱动的框架，该框架整合了流程挖掘、复杂网络分析、可解释机器学习以及数字孪生仿真，旨在实现价值流图的自动化绘制并定量优化未来状态设计，在真实制造场景中证明了其在降低交付周期、在制品数量及缺陷率方面的显著成效。
本文提出了一种鲁棒的框架，通过集成用于精确分数阶导数估计的深度算子网络（DeepONet）与用于稀疏回归的集成稀疏非线性动力学识别（ensemble SINDy），从噪声数据中发现分数阶动力系统的控制方程，证明了其相比于经典的有限差分法和标准神经网络具有更高的准确性和泛化能力。
本研究表明，在电子商务推荐任务中，通过使用较小的验证预算来选择一种紧凑的文本表示（具体为 TF-IDF 与 SVD 的结合），可以在保持与全预算选择相当的测试性能的同时，将计算成本降低高达 90%，前提是候选池得到了适当的约束。
本研究表明，在临床问答中执行明确的证据准入要求会显著改变路径排名和延迟指标，同时减少材料证据有效性错误，从而凸显了在临床延迟基准中建立标准化准入规则的必要性。
本文提出了一种包含候选证据重排序（CAPE）和风险感知答案选择（CTA/EBC）的两层框架，旨在优化多跳检索增强生成中的证据分配与答案选择，从而在相比于 SAG、RRF 和多数投票等现有基准模型时，显著提升了召回率和 F1 分数。
这项初步研究表明，应用于精神医学知识问题的轻量级开源权重语言模型表现出较差的置信度校准能力、具有领域依赖性的准确率排名，并且在经过严格的配对统计评估时，提示其放弃回答往往会降低而非提高性能。
本研究引入了集体认识网络框架（Collective Epistemic Network Framework, CENF），这是一种整合了自适应场控制与信任塑性的计算模型，该模型在合成多智能体网络中展示了在共识准确性与针对对抗性攻击的稳定性方面的显著提升，同时在特定设计条件下建立了形式化收敛保证。
本文通过一项六维度的调查与受控基准测试表明，尽管像 R3D-18、R(2+1)D-18 和 MC3-18 这样的深度神经网络在人类动作识别方面取得了高准确率，但实际部署需要平衡识别性能与计算效率、时间鲁棒性以及资源限制，而非仅仅依赖于准确率。