4092 篇论文
BioSurveillance-Agent 是一个多方法可解释的智能体平台，它整合了“全健康”（One Health）网络、可穿戴传感器以及混合人工智能流水线，以实现上下文自适应、层级化的流行病监测与干预，并通过稳健且可由人类审计的决策过程，显著降低了疾病传播率和死亡率。
本文提出了级联多标记消歧模型（CMDT），该模型通过级联多标记预测结构和层次化训练目标，将未来上下文建模直接集成到解码过程中，从而增强了唇语识别性能，进而有效地解决了视觉歧义并降低了基准数据集上的错误率。
本文通过实证研究表明，尽管传统的和非结构化的测试充分性指标与变异分数之间表现出弱相关或无相关性，但潜空间类离散度（LSCD）相比于基于马哈拉诺比斯距离的惊喜覆盖度（Surprise Coverage），在评估深度神经网络测试数据集质量方面，是一个显著更强且计算效率更高的代理指标。
本文对 183 项关于冷启动和数据稀缺推荐场景下的图学习研究（2018–2026）进行了批判性综述，通过基于分类学的分析方法论，强调了亟需更严格的评估协议和更可靠的侧面信息集成，以解决当前证据不均衡的问题。
本文提出了 SymCLIP，这是一个通过引入对称视觉-语言提示来协同耦合视觉与文本特征，并利用动态标签集成来实现自适应语义表示，从而增强社交媒体图像中多意图识别能力的创新框架，在 Intentonomy 数据集上达到了最先进的性能。
本研究提出了一种可本地化部署、基于知识图谱的麻醉科住院医师规范化培训智能指导系统，该系统利用双引擎检索增强生成框架，在不依赖云端大语言模型的情况下，提供准确、符合指南规范且保护隐私的教育支持。
本研究表明，对于作物推荐任务而言，一个经过精调的单一随机森林模型即可达到与复杂集成方法相当的准确度，这表明无需进行冗余的模型组合，更简单、更具成本效益的解决方案已然足够。
本文展示了一项关于中小企业闭域智能人力资源系统的设计科学研究，该研究表明，通过采用具有同章节负采样训练的纠正性检索增强生成（Corrective RAG）适配，尽管在整体准确率上有所折衷，但显著提高了回答的忠实度。
本文介绍了 SCOPE，这是一个感知不确定性的免训练框架，通过整合以行为为中心的分组、分布式的 TTP 映射以及 Top-K Viterbi 序列推理，在不完整观测条件下重构连贯的攻击行为，从而在准确性和鲁棒性方面超越了现有基准。
本文提出了一种经过高度优化和微调的 EfficientNet-B0 模型，该模型利用迁移学习实现了对真实世界图像中九种玉米病害的自动检测，准确率达到 97.57%，为协助小农户进行早期病害识别提供了一种计算高效的工具。