929 篇论文
本文提出了 DAÏO，一种新型的具备边缘计算能力的视觉跌倒检测系统，该系统结合了轻量级姿态估计器、自适应扩展卡尔曼滤波器以及三重校验逻辑引擎，在实现高特异性（96.4%）并显著减少来自日常活动和宗教礼拜引起的误报的同时，保持了在消费级硬件上的实时性能。
STAC-MV 是首个基于 Transformer 的神经多视角视频压缩框架，它利用几何感知自适应上下文选择和跨视图注意力机制，在多种摄像机配置下实现了相对于传统标准的显著 BD-rate 提升，同时大幅缩短了编码时间。
本文提出了一种结合偏好提取、监督微调和直接偏好优化（Direct Preference Optimization）的多阶段对齐流水线，旨在有效缓解基于大语言模型的电影推荐系统中的流行度偏差，在保持竞争力的准确度的同时，提升了新颖性和目录覆盖率。
为了解决由可迁移高层语义与稀疏局部伪影之间的冲突所导致的脸部伪造检测中的泛化差距问题，本文提出了 SemFusion，这是一个结合了用于保留 CLIP 可迁移结构的语义一致性正则化，以及用于有效捕获并融合局部伪造线索的多级补丁证据学习的框架。
本研究表明，临床导向的概念构建增强了用于胸部 X 光片分类的概念瓶颈模型，其中监督方法实现了与非瓶颈基准模型相当的强劲性能，而无标签方法在缺乏概念标注时则提供了一种具有前景的替代方案。
本文介绍了 BioGraph-SentiCOVID，这是一个经过校准的自适应上下文图神经网络框架，它通过遗传算法优化对话上下文选择和超参数，从而在嘈杂的 COVID-19 推特（Twitter）推文中实现了最先进的情感分类。
本文针对 2024 年美国大选期间 X 平台上的政治立场检测，对经典模型、神经模型和 Transformer 模型进行了对比研究，结果表明，虽然经过微调的 BERTweet 取得了最高的准确率，但经过精心设计的线性 SVM 等经典模型提供了一种极具竞争力、更高效且更具可解释性的替代方案，适用于大规模部署。
本文通过对 14 种方法在 8 个真实世界数据集和 5 个合成数据集上的全面评估，证明了在仅使用拓扑结构的情况下，经典的社区检测方法在二分网络上的表现始终能达到或超越近期的图神经网络。
本文描述并形成性评估了由一家哥伦比亚医疗人工智能公司实施的、受控且由大语言模型支持的工作流，旨在系统地提高资助发现与提案开发的吞吐量和可追溯性，同时保持研究人员的监督。在阶段1（“寻宝”）中，83名候选者通过了筛选，被视为优质候选者。
本文提出了一种利用大语言模型进行迭代反馈细化的框架，通过动态诱导自适应模式，将非结构化临床笔记转换为忠实的结构化表示，该框架在无需标注数据或微调的情况下，通过显著减少遗漏和幻觉，性能优于现有基准方法。