💻 计算机科学
The GRACE Cycle: A General Large-Language-Model Framework for Phenotype Discovery with Unknown Cluster Number
本文介绍了 GRACE，这是一个新颖的大语言模型框架，它通过迭代优化假设与证据，在无需预先指定聚类数量的情况下，自动发现异质性多模态数据中的最佳临床亚群数量，并在长新冠（Long COVID）和帕金森病队列中得到了验证。
💻 Category
cs
4157 篇论文
💻 计算机科学
What's Missing in Autonomous Research? A Systematization of Systems, Benchmarks, and Verification
本综述通过为56个系统及其证据可靠性引入一个多维框架，使碎片化的自主研究领域系统化，揭示了在生成研究产物的能力与在发布前对其进行稳健验证机制以进行辩护的能力之间存在着关键差距。
💻 计算机科学
A multi-objective evolutionary approach to neural architecture search for clinical tabular classification: balancing predictive performance and model compactness
本文介绍了 MOGA-NAS，这是一种多目标进化算法，通过同时最大化 F1 分数并最小化参数数量，有效地平衡了临床表格分类任务中的预测性能与模型紧凑性，从而在五个公开基准测试中实现了显著更小的模型规模以及更优或相当的准确率。
💻 计算机科学
Federated Learning Parameter Protection Based on Homomorphic Encryption and Selective User Decryption
本文提出了一种联邦学习安全方案，该方案结合了阈值 Paillier 同态加密、基于数据质量的选择性解密机制以及 ECDSA 数字签名，在有效防御推理攻击和篡改攻击的同时，将训练效率提升了约 10%。
💻 计算机科学
Voice Tone-Based Emotion Detection Using Deep Learning: A Hybrid Transformer–CNN–BiLSTM Framework with Multi-Feature Fusion
本文提出了一种结合了 CNN、Transformer 和 BiLSTM 层以及多特征融合的混合深度学习框架，旨在实现五个基准数据集上最先进的语音情感识别性能，展示了强大的泛化能力以及较现有基准模型的显著准确率提升。
💻 计算机科学
The StackPip Framework for Hybrid Ensemble Learning in Stellar Classification
本研究提出了 StackPip 框架，这是一种利用 SDSS DR-17 数据集上的堆叠分类器（Stacking Classifier）进行的混合集成学习方法，该方法在将天体分类为星系、恒星和类星体方面实现了 98% 的准确率，优于各种单一机器学习模型。
💻 计算机科学
BayesMem-CD: Bayesian Temporal Memory Networkfor Uncertainty-Aware Dynamic Community Detection
该论文提出了 BayesMem-CD，这是一个基于贝叶斯记忆的框架，它通过将概率推理与时间正则化相结合，实现了具备不确定性感知能力的动态社区检测，从而在针对噪声的稳定性与对真实结构变化的敏感性之间取得了有效平衡。
💻 计算机科学
AraCoT-Agent: Arabic Chain-of-Thought Distillation for Agentic Reasoning
该论文介绍了 AraCoT-Agent，这是一个通过高质量、经过过滤的数据集（AraCoT）和奖励加权训练目标，将结构化推理能力蒸馏到阿拉伯语模型中的框架，在新的 AraAgent-Bench 上实现了 55.7% 的相对提升，并显著缩小了阿拉伯语与英语大语言模型之间的推理差距。
💻 计算机科学
Continuous Degradation Representation Learning for Remaining Useful Life Prediction
该论文提出了CoDeR，一种连续退化表示学习框架，该框架通过集成双轴耦合Transformer编码器和时间感知对比学习模块，旨在克服现有深度学习模型中表示碎片化的局限性，从而实现对航空发动机剩余寿命更准确的预测。
💻 计算机科学
Rethinking Time Series with Kolmogorov-Arnold Networks: A Systematic Review
这项系统综述评估了 Kolmogorov-Arnold 网络（KANs）在时间序列分析中的适用性，结论指出，尽管 KANs 在处理各种领域的平滑模式时，在具有可解释性的短时预测方面表现出色，但其目前的应用受到异质性证据、处理长程依赖和机制转换方面的挑战，以及对标准化基准和严格可解释性验证需求的限制。