929 篇论文
本研究表明，单指标评估可能会通过强调特定类别中表现出的表观鲁棒性，从而掩盖手术 AI 模型在不同站点间发生的普遍性崩溃，而双指标审计则揭示了定制检测器和预训练基础模型中存在的广泛失效，并显示在我们测试的配置中，更换主干网络并未能弥补这一差距。
本研究将带有注意力机制的双向长短期记忆网络与残差卷积神经网络在自动心电图心律失常检测方面进行了基准测试，发现 ResNet 架构通过从超过 109,000 个心跳的数据集中更好地提取复杂的形态特征，实现了更优越的性能（98.0% 的准确率）。
本文介绍了 guardrail-rs，这是一个基于 Rust 的开源反向代理，旨在通过可组合的提示词注入检测和 PII（个人身份信息）脱敏功能来保护 LLM 应用，并采用故障开放式架构，同时透明地报告其性能特征及现实世界的工程挑战。
本文提出了一种确定性流水线，通过显式强制执行坐标、阈值和容差假设，将有限且含有噪声的运动轨迹样本转换为可审计的符号人工制品，同时严格将其范围限制在表示与可追溯性，而非物理重建或语义推理。
本综述综合了相关证据，表明虽然人工智能工具在文献检索和科学写作方面显著提高了效率与清晰度，但其负责任的采用需要通过人机混合方法，以应对在可靠性、偏见和学术诚信方面持续存在的局限性。
本研究对用于胸部 X 线片肺炎检测的 ResNet50 和 Vision Transformer (ViT-B16) 进行了全面评估，结果表明，虽然 ResNet50 在准确性、校准度和效率方面表现更优，但 ViT-B16 对图像退化表现出更强的鲁棒性，从而凸显了对可靠诊断系统进行多维度评估的必要性。
本研究利用基于 LightGBM 和 XGBoost 模型以及 ExtraTrees 元学习器的堆叠集成方法，对 2025 年全球 Findex 数据集进行分析，以 93.04% 的准确率预测数字支付的采用情况，并揭示了教育、互联网接入和收入是推动金融普惠最关键的驱动因素。
本系统性文献综述综合了关于人工智能在数字银行业应用中碎片化的研究，旨在提出创新的 AIDBRM 2.0 框架，该框架通过统一持续信任评分、生成式人工智能治理沙盒以及跨机构联邦学习等交叉机制，将客户体验、欺诈检测和风险管理整合在一起，以解决现有在可解释性和架构一致性方面的空白。
本文对 173 项关于检索增强生成（RAG）检索增强技术的研究进行了系统性的文献综述，通过按技术贡献和流水线阶段进行分类，旨在识别评估与效率方面的关键空白，并为未来的进展提出一个结构化的研究议程。
本文提出了 AJAD-BoostNet，一种结合了基于 ResNet50 的深度特征提取、PCA 降维、K-Means 聚类和 XGBoost 提升的创新混合框架，旨在实现对肺癌和宫颈癌高效且稳健的组织病理学分类，并证明了其在资源受限环境下优于传统 CNN 的性能。