Exploring Digital Pathology for Tongue Tumour Tissue analysis using machine vision Techniques: An automated Approach
本文提出了一种利用新型对比度拉伸卷积神经网络(CSCNN)模型和先进图像预处理技术的自动化数字病理学框架,用于准确分类和分级舌肿瘤组织,实现了98%的准确率,超越了现有的最先进迁移学习模型。
4092 篇论文
本文提出了一种利用新型对比度拉伸卷积神经网络(CSCNN)模型和先进图像预处理技术的自动化数字病理学框架,用于准确分类和分级舌肿瘤组织,实现了98%的准确率,超越了现有的最先进迁移学习模型。
本研究提出了一种注意力引导的迁移学习框架,该框架将混合通道-空间注意力机制与 EfficientNet-B2 架构相结合,旨在实现基底细胞癌自动化病理诊断的高准确性、鲁棒性和可解释性。
本文提出了“对话式认识论审计”(dialogical epistemic auditing),这是一种定性框架,用于追踪大型语言模型在对话轮次中如何维持或改变其推论承诺,并通过一系列案例研究表明,模型往往表现出不对称的一致性,即在保留未经证实的叙述的同时撤回事实性主张。
本研究分析了 3,837 条 Zenodo 软件引用,旨在证明尽管即使在源代码仓库变得无法访问时,大多数存档文件仍保持可访问性,但很大一部分失效引用源于失效的仓库指针而非软件丢失,从而强调了仓库可用性与存档完整性之间的关键区别。
本文介绍了迭代张量网络变换(Iterative Tensor Network Transformations, ITNTs),这是一种全新的框架,它能够实现直接在压缩的张量链(tensor train)数据上进行非线性函数的有效逐元素评估,从而克服了以往在将张量网络应用于通用数据科学和大规模优化任务时的局限性。
本文评估了在运行故障下有状态哈希签名(XMSS 和 LMS)的状态管理机制,证明了只有事务性声明策略能够防止灾难性的密钥重用,同时揭示了快照回滚保护需要外部单调锚点,且批量租约是在未修补的软件库中尽管存在显著性能惩罚的情况下,针对 LMS 唯一安全且低延迟的解决方案。
本文提出了一种基于 fr-码和有限表示群的无需训练的代数预测框架,通过将传感器数据量化为离散状态,并监测截断因子代数维度的下降,将其作为剩余使用寿命预测的确定性指标,从而追踪涡扇发动机的退化过程。
本文介绍了 XAR-Detect,这是一个可解释的代理式 RAG 框架,它利用 DeBERTa 编码器、动态威胁特征检索和自主推理,实现了对网络钓鱼和 Web 攻击的高精度、零样本检测并提供透明的解释,在无需重新训练的情况下显著超越了现有的最先进方法。
本文引入了边界阻尼波平衡传播(boundary-damped wave equilibrium propagation),这是一种物理学习架构,它将保守的内部动力学与局部边界耗散相结合,以实现有限时间内的梯度收敛、谱稳定性,并在 MNIST 等任务上保持高精度,同时维持严格的能量平衡和梯度误差界限。
AiWebArmor 是一种新颖的高吞吐量 AI 框架,它结合了基于 ModernBERT 的语义分析与通过可解释树提升分类器实现的统计特征,在生产级 Web 环境中实现了 99.92% 的多类威胁检测准确率和 0.01% 的误报率,且延迟低于一毫秒。