Hardness-Aware Kernelized Contrastive Learning for Brain Age Prediction
本文提出了一种用于 T1 加权 MRI 脑龄预测的硬度感知核化对比学习框架,该框架通过显式强调年龄相似对中的表示-标签不一致性,改进了现有方法,并在多中心数据集上实现了卓越的准确性和鲁棒的嵌入组织。
2332 篇论文
本文提出了一种用于 T1 加权 MRI 脑龄预测的硬度感知核化对比学习框架,该框架通过显式强调年龄相似对中的表示-标签不一致性,改进了现有方法,并在多中心数据集上实现了卓越的准确性和鲁棒的嵌入组织。
在一项针对近 90,000 例住院病例的大规模研究中,结构化数字化实验室特征在预测肝衰竭方面显著优于临床自由文本,证明了客观数值数据捕捉该疾病诊断标准的效果远比叙述性临床笔记更为有效。
本文介绍了 HBMDS,这是首个经过形式化规范且可复现评估的用于实时考试作弊检测的浏览器扩展架构,通过对其 98–100% 的准确率、低于 500 毫秒的延迟以及低资源占用率进行实证基准测试,为机构提供了一个基于证据的替代方案,以应对针对自带设备(BYOD)兼容监考的厂商声明。
本文提出了一种具有动态蒸馏功能的轻量化双路径网络,旨在解决工业 LED缺陷识别中的挑战,通过自适应层次融合和双层知识迁移方案,在不平衡数据集上实现了高精度和高泛化性。
本文提出并验证了一种通用的、经人工验证的方法,该方法结合了字符级、主题级和基于 Transformer 的相似性度量,以可靠地将博士论文元数据与 OpenAlex 作者档案进行关联,从而实现高精度地追踪学术职业轨迹,并揭示了大约 17.3% 的北美博士毕业生无法与其后续发表的论文建立关联。
该论文介绍了 SIMPLETES,这是一个通过在迭代轨迹中组织评估信号并选择性地重用历史记录来构建 AI 驱动的科学发现的框架,使单个开源模型能够在 28 个不同的科学领域中实现最先进的结果,并通过基于结果的后训练进一步提升。
本叙述性综述系统地分析了 2021 年至 2026 年间发表的 100 项关于多库车辆路径问题(MDVRP)的研究,强调了该领域向包含时间窗和可持续性等复杂现实约束的演进、混合元启发式算法与新兴学习型方法的并存主导地位,以及基准测试实践仍处于不一致状态的现状。
本文提出了一种混合 t-SNE-UMAP 优化方法,该方法利用 UMAP 的图结构来初始化并强化 t-SNE 的局部邻域保持能力,尽管在密度保持方面有所权衡,但在九个数据集上均在可信度(trustworthiness)和邻域召回率(neighborhood recall)方面取得了统计学意义上的显著提升。
本文提出了一种无需训练的框架,该框架通过跨模态尺度对齐与边缘感知传播,将稠密单目深度先验与稀疏、高置信度的立体几何锚点进行融合,以实现鲁棒的零样本深度感知,并在边缘区域精度方面超越了现有方法。
该论文提出了 ADF-Pose,这是一个由代理驱动的框架,其特征是包含一个身份先验提取器和一个多模态身份转换器,旨在通过在姿态引导的人像生成中有效保留面部身份和细粒度细节,特别是针对现有方法难以应对的大幅度姿态变化情况。