4157 篇论文
本文提出了一种鲁棒的三模态框架，该框架通过自适应门控融合机制整合了卷积神经网络（CNN）、视觉 Transformer（Vision Transformers）和图神经网络（Graph Neural Networks），从而在社交媒体图像的伪造检测中实现了最先进的准确率（99.10%）和可解释性。
本研究针对数据受限的科学机器学习任务，提出了一个原则性的三部分模型选择决策框架，并通过激酶抑制剂和溶解度案例研究证明，在样本量较小时，简单的线性模型往往优于复杂的替代模型，从而倡导将模型简单性作为一项关键基准。
本研究评估了多种机器学习回归模型在个体家庭用电量数据集上的表现，以预测能源趋势并识别异常情况，结果发现随机森林算法的表现优于其他算法，同时 SHAP 分析揭示了 Global_intensity 是主要的预测因子。
本文提出了基于迹象场（Stigmergic Skeleton Field, SSF）的框架，该框架将中轴骨架图、蚁群信息素场与局部增量重骨架化（Localized Incremental Re-skeletonization, LIR）算法相结合，通过仅在必要处修复拓扑结构，实现了动态环境下高效、去中心化的多机器人导航，并与现有基准相比，以显著更快的重规划速度实现了近乎最优的路径质量。
本文介绍了 Semperf，这是一个由大语言模型（LLM）辅助的框架，它通过构建秩剖面矩阵（rank-profile matrices）并对进程进行聚类，从而为极大规模并行高性能计算（HPC）应用实现可扩展、自动化的性能诊断与瓶颈识别。
本文提出了 HQNNDL，一种结合了冻结的 ResNet-18 骨干网络与 8 量子比特变分量子电路的混合量子-经典深度学习框架，用于将 OCT 图像分为四类，在基于 Kermany OCT2017 衍生的代理数据集上实现了 79.0% 的准确率，同时承认需要进一步的消融研究和临床验证以确认其在中心性浆液性视网膜病变检测中的有效性。
本文提出了一种渐进式上下文增强框架，通过系统地利用模拟器数据和代码注释来增强提示词，从而提高大语言模型在生成露天矿山生产调度混合整数线性规划模型时的可靠性，研究表明，虽然模拟器代码能提高目标函数准确性，但带注释的代码在确保约束可行性方面表现更为优异。
本文提出了一种用于手写物理数学文档的 AI 驱动分割流水线，该流水线利用保形二次样条来模拟振荡基线并生成曲率自适应切割掩码，从而增强下游 OCR 任务中的检测精度与结构重建。
本研究提出了一种基于度量的少样本学习框架，具体利用原型网络，旨在实现基于肌电图（EMG）的无声语音接口中用户自定义词汇的高效且计算轻量化的注册，且无需重复进行模型重训练。
本文报告了一个经过独立验证的演示，证明了一种专有引擎能够通过从外部文献中提取出九个经证实的连接，并利用判别控制证明其选择性，从而正确地跨多个来源合成结构化医学关联，为未来无需幻觉的计算发现奠定了可靠基础。