3775 篇论文
MedTrustGraph 是一个具有目的感知能力的时序异构图学习框架，通过将患者与目的上下文与确定性的零信任策略引擎相结合，在检测自主临床大语言模型（LLM）智能体的未经授权行为方面显著优于静态和序列模型，并实现了极高的准确率。
本研究从忠实度、效用度和信任度三个维度评估了四种用于黑色素瘤分类的后验解释方法，结果显示它们在排名上存在显著分歧，并得出结论：采用带有忠实度门控的多轴评估对于选择最合适的解释技术至关重要。
本研究提出了一种基于 XGBoost 的时域迁移学习模型，该模型由最优传输数据集距离和自适应窗口引导，旨在有效应对概念漂移，并提升在不断变化的水文条件下的洪水预测准确性。
本文表明，在固定 ImageNet 预训练的受限低资源设定下，Vision Transformer（具体为 ViT-B/16）通过在颜色和染色变化方面实现更优越的鲁棒性、更好的概率校准以及在跨任务迁移过程中更平缓的性能退化，同时保持具有竞争力的域内判别能力，从而在组织病理学领域超越了各种 CNN 架构。
这项方法学可行性研究表明，一种整合了心外膜和冠脉周围脂肪组织影像与临床变量的弱监督多模态框架，与仅使用临床数据相比，显著提高了对 CCTA 定义的冠状动脉疾病表型的预测能力，同时揭示了在小规模队列中，参数高效型共享骨干网络架构的表现与更复杂的双骨干模型相当。
本文提出了 MLHKP-MCD，这是一种具有来源感知能力的数字基础设施和数据集，旨在通过维护来源、主张和验证条件之间既独立又可查询连接的记录，来保护 Mundas 活态遗产的证据关系、文化语境和社区权威。
本综述批判性地审视了基于图神经网络（GNN）的系统溯源图中的高级持续性威胁（APT）检测，揭示了尽管基准测试准确率很高，但大多数研究未能解决时间迁移挑战，从而促使作者提出了一个六维分类法、一份报告清单以及一个用于在锁定阈值的未来数据上评估检测器的框架。
本文提出了一种基于切片瓦瑟斯坦距离（sliced Wasserstein distance）的隐私保护领域偏移指数（Domain Shift Index, DSI），用于在训练前评估联邦故障诊断中的可迁移性，研究发现虽然该指数为数据差异性提供了一种稳定的筛选工具，但在定量预测准确率损失方面并未显著优于简单的基准方法。
利用丰富的成人重症监护室（ICU）数据对人工智能模型进行预训练，能显著加速针对危重儿童开发高效能数据模型的进程，在本地儿科数据匮乏时，其表现优于从零开始训练的模型，尽管这需要进行本地微调而非直接进行零样本部署。
本综述探讨了人工智能和机器学习在诊断和精准医学等医疗应用中的变革性作用，同时强调，若要实现值得信赖的临床应用，必须通过可解释人工智能、稳健的验证以及有效的医机协作，来克服包括数据隐私、模型不透明性和偏见在内的重大障碍。