929 篇论文
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。
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。
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。
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。
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。
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。
本文介绍了 GRAD-Net，这是一个统一的病理引导深度学习框架，它通过整合病灶感知注意力机制和多尺度特征聚合，在自动化糖尿病视网膜病变分级中实现了最先进的准确率和临床可解释性。
本文引入了 CRC-LS-MOCBO，这是一种序列多目标因果贝叶斯优化框架，通过整合候选图不确定性、稳定性加权先验以及符合性风险校准，在确保不确定因果结构下干预安全性的同时，最小化约束违规并最大化目标增益。
本文提出了一种低成本、实时的地震预警系统，该系统利用物联网硬件（ESP32、GPS、GSM）以及基于历史地震数据训练的嵌入式机器学习模型来检测模式，并即使在网络连接受限的地区也能通过短信即时提醒用户。
本文介绍了 HybridPII，一种可调优的混合集成模型，该模型结合了加权正则表达式和多模型命名实体识别（NER），以实现卓越的召回率用于自动化 PII 检测，专门解决了在合规性至上的隐私应用中最小化漏报（false negatives）这一关键需求。