2305 篇论文
本研究将标准的文献计量分析与潜在狄利克雷分配（LDA）主题模型相结合，对 2017 年至 2025 年间的 2,631 份医疗保健人工智能精选语料库进行处理，旨在克服关键词限制，从而揭示了从部署就绪型应用向大语言模型和可解释人工智能等依赖治理的前沿领域演进的成熟轨迹。
本文提出了一种基于仿真的四足机器人指令选择层，该层利用渲染的自我中心视角和候选指令来预测短时界风险，在不依赖地形图或前瞻展开的情况下，显著提高了安全性、指令一致性并维持了前进进度。
该论文介绍了 CRysTal，这是一个神经元层级的后验解释框架，它将人工智能模型的激活映射到标准化的临床术语，并证明了与现有解释方法相比，在多种医学影像任务中，该框架具有更高的放射学报告一致性、增强的诊断可靠性以及更高的医生工作效率。
本文提出了一种利用直觉模糊集的可解释且可信的人工智能框架，旨在建立一种透明的、基于信任权重的投票共识机制，从而增强动态智能交通系统中消息验证的效率、隐私保护和安全性。
本文提出了一种可解释的多模态机器学习框架，该框架结合了全血细胞计数（CBC）和高效液相色谱法（HPLC）生物标志物，通过堆叠集成模型实现了对地中海贫血高度准确（99.89%）且符合临床一致性的多分类，并通过 SHAP 分析证实了排名前列的预测特征与标准诊断标准相一致。
本研究评估了一个基于 ANVISA 监管文档构建的双语检索增强生成系统，该系统在定位、引用和总结葡萄牙语及英语药物研发监管要求方面表现出极高的准确性，同时在经过校准后能有效处理无法回答的查询。
本文提出了一种 CLCM 模型，该模型集成了 Conv1D-LSTM、CNN 和多头注意力机制，通过准确分析异构数据模态并克服现有模型的局限性，旨在有效评估无人集群物联网中虚拟现实学习系统的安全风险。
本文提出了一种基于 EfficientNetB3 迁移学习和 Grad-CAM 可解释性分析的自动化番茄叶片病害诊断框架，该框架通过检测早疫病、晚疫病、霉菌病以及健康叶片，实现了高分类准确率与可解释性，旨在为精准农业提供支持。
本文介绍了 DYNAMICS-WEB，这是一种预注册的测量方法，它证明了网络链接图中一种在很大程度上独立于权威性和主题的独特“特征”信号，在与用户偏好一致时，能够潜意识地影响读者的转化率。
本研究提出了一种结合了挤压与激励（Squeeze-and-Excitation）注意力机制的混合 MSCNN-LSTM 模型，用于预测每小时空气质量指数值，通过对来自益阳市的数据进行多尺度特征提取和自适应通道加权，证明了其相比传统深度学习模型具有更高的准确性和稳定性。