2305 篇论文
本研究表明，一种利用薄板样条插值的鲁棒性基于特征点配准技术，在将组织病理学图像与变化的染色进行对齐时，优于 Elastix 和 ANTs 等基于强度的算法，尤其是在结合了基于深度学习的染色归一化之后，尽管准确的特征点标注仍是一项持续存在的挑战。
这项初步研究提出了计算精神病学中多巴胺介导的精度加权与大语言模型中 Softmax 温度之间的正式数学类比，发现虽然在无根据条件下降低温度会增加幻觉的置信度（减少对冲），但并不影响有根据情况下的准确性，然而研究结果在统计学上仍缺乏足够效力，无法明确证实这一理论联系。
本文介绍了 MUSiNET，这是一种整合了内在与外在音乐特征以映射全局歌曲关系的创新复杂网络模型，揭示了关于文化融合与流行度动态的结构性见解，为推荐与发现等应用提供了一种稳健的、数据驱动的传统音乐分类替代方案。
本文提出了一种名为 MASS-ScanDMM 的全景图像扫描路径预测方法，该方法集成了多重注意力场景感知（MASP）和球面信息增强感知（SIEP）机制，以在多个数据集上实现卓越的准确性和泛化能力。
该论文介绍了 BiasZero，这是一个用于抽取式文本摘要的公平性感知框架，它通过整合多维偏差检测、反事实数据增强和对抗性去偏技术，在保持高摘要质量（ROUGE 指标下降不到 1%）的同时，将偏差强度显著降低了高达 40%。
本文提出了一种面向医疗保健的安全区块链联邦学习架构，该架构集成了基于属性的访问控制、计算出的信任属性以及一种监控机制，以确保数据隐私并在模型共享过程中检测恶意节点。
本文提出了一种新颖的张量擦除（Tensor Erasing）数据增强方法，该方法通过随机体素擦除来模拟图像损坏，从而有效应对标注数据集稀缺的挑战，进而增强用于全自动三维脑肿瘤 MRI 分割的深度学习模型的鲁棒性和泛化能力。
本文提出了 SOFE，一种基于 SDN 的 Fog-IoEV 网络任务卸载技术，该技术利用二元线性规划模型，根据负载、移动性、能量和截止日期来优化向雾节点或停放车辆的任务分配，从而与现有方法相比，降低了响应时间并延长了电动汽车的寿命。
本文提出了 DSA-MERC，一种可靠的多模态对话情感识别模型，该模型利用结合了双向多注意力机制（Bi-Directional Multi-Attention）与具有多尺度优化的音频引导领航者-跟随者网络（audio-guided leader-follower network）的双阶段注意力机制，并辅以置信度与迁移学习策略，以有效地整合多模态特征并减轻标签噪声，从而提高准确性与鲁棒性。
本文提出了一种名为 PerC-SimAM-BGRU 的新型基于 MetaFormer 的框架，该框架通过集成位置感知循环卷积和双向门控循环单元，在平衡性能与计算复杂度的同时，实现了 99.4% 的最高心肌梗死检测准确率。