cs 篇论文 | Gist.Science

本文提出了 SATrans，一种基于注意力的新型时序框架，该框架利用多模态生理信号和动态 PAD 驱动的标注，在各种时间分辨率下实现对抑郁程度高度准确、鲁棒且可扩展的实时分类。

本文提出了一种基于基元矩阵的新型密度自适应模型（NDAMM），该模型利用多尺度空间特征融合和空洞金字塔时间池化，实现了对早搏（包括房性及室性期前收缩）准确、可解释且高效的自动化检测，并在多个公开数据库上表现优于现有方法。

本文提出并评估了一种用于 OpenML 表格任务上选择性分类的轻量级、基于探测的策略，该策略在原始预测、温度缩放和狄利克雷校准之间进行动态选择，证明了这种条件选择相比于通用校准或不进行校准，能够提高概率准确性和弃权质量。

Āyurpadaviśleṣikā 是一个人工智能辅助的数字化平台，它利用自然语言处理、计算机视觉和专家策展技术，通过五分法阿育吠陀框架组织了来自古典梵文文献的 4,000 多个药物条目，旨在解决知识碎片化问题并为各类用户提高可访问性。

本文提出了一种基于特征的、可解释的机器学习方法，利用时间与结构性的立法历史，在预测巴西众议院提案级批准结果方面显著优于现有基准模型，为增强立法监测与透明度提供了实用的工具。

本文提出了一种跨数据集框架，该框架将经过证据过滤的 SHAP 归因与基于教学理论的 LLM 反馈相结合，旨在为不同教育背景下的学生风险预测生成具有行动导向且符合场景特征的解释，并通过在横截面数据集和纵向数据集上的验证，展示了其提升的合规性与鲁棒性。

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。

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。

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。

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。