4157 篇论文
这项实证研究通过分析来自145名UCI学生的数据，利用18种机器学习算法进行分析，发现LightGBM模型能最准确地预测学业表现，揭示了个人及学校教育因素（如性别、年龄、兼职工作和课堂听讲）是成功的核心驱动因素，而家庭因素的影响较弱，从而能够开发出一个用于个性化学业干预的可解释性Shiny应用程序。
本文介绍了集体适应性测试平台（Collective Adaptation Testbed, CAT），这是一种基于双重继承理论（Dual-Inheritance Theory）的多智能体软件架构，它通过拦截团队决策以区分盲目从众与基于专业知识的异议，从而解决了定量指标的治理悖论，进而使系统能够基于回顾性结果数据自主修正其自身规则。
本文提出了一种伪影感知型轻量化 U 型分割框架以及一个可复现的损坏基准，旨在增强皮肤镜病变分割在存在毛发和镜面高光等采集伪影情况下的鲁棒性与准确性。
本文提出了一种保护隐私的深度伪造检测框架，该框架将联邦学习与 ResNet-18 及 FedProx 算法相结合，在不传输原始图像的情况下，在 FaceForensics++ 数据集上实现了高准确率（97.20%），同时确保了数据安全性和模型可解释性。
本文提出了一种面向言语障碍人士的端到端实时智能家居控制系统，该系统集成了基于卷积神经网络（CNN）的手势识别模型、OpenCV 推理流水线以及模块化动作层，旨在将实时摄像头输入转化为可执行的设备指令。
本研究引入了一种基于专家理论（Theory of Expertons）的不确定性感知评估框架，用于评估专门旅游语料库中的主题模型，证明了经由大语言模型（LLM）增强的 BERTopic 优于传统及神经方法，并揭示了解码温度对可解释性的显著影响。
本文提出了一种通用的、低成本的后优化元启发式算法，该算法通过从精英解集中迭代生成并改进后代，增强了多起点算法，并在相当的运行时间内，成功提升了所有 48 个测试的平面 p-中值实例的最佳已知结果。
本文提出了一种基于 Tsallis–Gaussian 扰动和双头神经网络架构的鲁棒分数生成模型框架，旨在有效减轻重尾数据和污染的影响，同时保持具有竞争力的生成性能。
本文提出了一种用于工业异常检测的框架，该框架结合了用于克服边界信息丢失的冻结 DINOv3 骨干网络与多视图补丁推理策略，以及用于建模正常特征分布的多尺度重构融合 Transformer，在多个基准数据集上实现了最先进的性能。
本文提出了 LAR-Net，这是一种基于 LitePT 主干网络的轻量级自适应感受野网络，该网络能够根据局部几何复杂性进行动态调整，以实现对反应器内壁药物沉积的高精度点云分割，从而克服传统检测方法的局限性，并实现自动化智能清洗。