💻 计算机科学
EEG-LM: A Foundation Model for EEG-Based Emotion Recognition via Diffusion-Augmented Cross-Modal Alignment with Large Language Models
本文介绍了 EEG-LM，这是一个通过扩散增强对比学习将 EEG 表征与大语言模型嵌入进行对齐，从而架起脑电信号与自然语言桥梁的基础模型，由此在多个数据集上实现了最先进的性能、强大的泛化能力以及可解释的情绪识别。
💻 Category
cs
4092 篇论文
💻 计算机科学
E-GCNet Framework for Cognitive Detection with Selective Features
本文提出了 E-GCNet，这是一种结合了自适应最小-最大向量归一化、改进型加权包装器-过滤器特征选择方法，以及增强型 GoogleNet 与胶囊网络软投票集成模型的混合深度学习框架，旨在实现准确率高达 97.4% 且高度精确可靠的认知状态检测。
💻 计算机科学
A Systematic Review of Deep Learning Algorithms for the Early Detection of Chronic Disease
这项根据 PRISMA 2020 指南进行的系统综述，评估了各种深度学习算法在慢性病早期检测方面的潜力，同时强调了数据稀缺性和可解释性等当前局限性，并提出了开发更可靠且具有临床益处的诊断系统的未来方向。
💻 计算机科学
A Configurable LLM System for Automated Data Extraction in Meta-Analysis Using a Minimal Atomic Unit Framework
本研究提出了一种利用最小原子单元（MAU）框架的可配置大语言模型（LLM）系统，该系统实现了用于荟萃分析的高精度、可溯源的数据提取，在显著超越非分解式方法的同时，在不同临床领域内保持了极低的幻觉率。
💻 计算机科学
Tensor-Train Layers for Physics-Informed Neural Networks
本文表明，将张量列（Tensor-Train）层集成到物理信息神经网络中，可以在保持原始精度 97% 的同时，显著地将参数量减少高达 8.8 倍，且压缩效率在很大程度上取决于底层偏微分方程（PDE）解的正则性。
💻 计算机科学
Auditing and mitigating high-confidence false relation edges in LLM-assisted scientometric extraction
本文提出并评估了一种基于扰动的审计与缓解框架，该框架展示了实体噪声如何增加大语言模型生成的科学计量图谱中高置信度虚假关系的风险，并揭示了实体感知与证据感知的弃权策略在维护图谱完整性方面能有效优于简单的置信度过滤。
💻 计算机科学
WSL-Det: A Wave-Attention and Strip-Localization Detector for Real-Time Strip Defect Detection
WSL-Det 是一种基于 Vajra 架构构建的实时目标检测器，它集成了用于频率感知全局交互的波形注意力机制以及用于各向异性定位的顺序正交条带卷积，在皮革和 NEU-DET 等工业条带缺陷数据集上实现了最先进的精度与速度。
💻 计算机科学
Predicting Medication Adherence Among Chronic Disease Patients in Ghana Using Explainable Machine Learning: A Retrospective EMR-Based Study
本研究开发并验证了一个基于加纳某医院电子病历数据的可解释、上下文感知机器学习框架，该框架成功预测了慢性病患者的用药依从性，准确率高达89.5%，并确定了一组适用于在低资源卫生系统中部署的紧凑且资源高效的特征集。
💻 计算机科学
Chest2Vec: A multipurpose text encoder conditioned by instructions for chest radiograph and computed tomography reports
该论文介绍了 Chest2Vec，这是一种多用途、基于指令条件的文本编码器，提供 0.6B 和 4B 参数规模的版本，能够有效地处理胸部 X 光片和 CT 报告，用于检索、分类和图文监督等任务，并证明了其在 CT 报告上的表现优于现有模型。
💻 计算机科学
Partial Multi-Label Learning via Structure-Regularized Negative-Label Completion
本文提出了一种实例感知部分负样本补全（Instance-Aware Partial Negative Completion, IPNC）方法，该方法是一个结构正则化框架，通过将多输出预测器与基于特征和分数的图结构相结合，学习有界的软负样本目标，以有效处理部分多标签学习中的模糊候选标签，并在多种数据集上实现了卓越的实证性能。