4157 篇论文
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。
本研究引入了“机器心理学”框架，揭示了经过对齐的大型语言模型虽然不存在显性的种族偏见，但在面对具有族裔特征的用户姓名时，会表现出十种新型且高度结构化的身份反应行为，这使得评估重点必须从基础的伤害缓解转向全面的行为评估。
本研究系统地评估了五种用于多维分析的开源词汇语法标注系统，结果表明，尽管这些系统能够成功复制通用的语域区分，但由于特征操作化的不一致，而非底层自然语言处理流水线的差异，导致其生成的维度得分存在显著差异。
本文提出了一个四层框架，通过将追踪轨迹转换为结构化运动证据，并将其与视觉语言模型中的关键帧马赛克相结合，以生成可解释的行为标签、紧迫性估计和自然语言依据，从而增强仅基于视觉的反无人机系统，并证明了结构化轨迹数据是实现准确无人机行为分析的主要驱动力。
本文提出了一种结合“最小收费”原则与多维异常检测引擎的两阶段路径拟合框架，旨在解决高速公路收费中的龙门架数据问题，在实现准确率提升2.1%和计费偏差减少70%的同时，引入了一种新型双指标评估模型以确保结果的可靠性。
该论文引入了 CHONN，这是一个受电路启发的模块化框架，它利用基于基尔霍夫定律的级联组合来创建稳定且可解释的高阶神经动力学，从而在解决偏微分方程和增强视觉感知任务方面超越了传统的深度堆叠方法。
本文介绍了 4DHemoX，这是一个物理启发式人工智能框架，它利用混合数据集和嵌入纳维-斯托克斯方程的神经架构来弥合仿真与现实之间的差距，从而实现可靠、泛化且数据高效的临床应用脑血管血流动力学剖析。