cs 篇论文 | Gist.Science

本文通过建立一个将神经网络与机理方程相联系的统一数学框架，系统化了新兴的混合神经建模领域，在阐明两者在推理与预测中的作用的同时，为不确定性量化提供了一个流形学习视角。

本研究提出了动态自适应融合模型（DAFM），这是一种实时智能预测系统，通过自适应门控机制动态整合决策树、随机森林、XGBoost 和 BiLSTM 网络，旨在克服静态模型的局限性，从而在石油产量预测方面实现了卓越的准确度（R² = 0.97）和快速推理。

本文介绍了 ModernBERT-TR，这是一个拥有 1.5 亿参数的土耳其语编码器，基于 ModernBERT 架构和自定义分词器，在 1444 亿个 token 上从头开始预训练，其性能显著优于现有的土耳其语基准模型，并且尽管训练资源消耗大幅减少，仍能与规模更大的同期模型相媲美。

DriftSense++ 是一个动态框架，它通过采用一种闭环、区域感知的方案来检测并自适应地管理数据漂移和概念漂移，从而增强了空间众包任务分配，并在多种真实世界数据集上，在准确率、误报减少和恢复速度方面显著优于现有方法。

本文专注于评估各种机器学习技术，以有效地检测和预测 SQL 注入攻击，这类攻击允许攻击者操纵数据库查询并破坏服务器安全性。

本研究评估了用于预测埃塞俄比亚医院重症监护病房（ICU）死亡率和住院时长的机器学习模型，通过使用真实数据和合成数据发现，尽管混合训练结合 CTGAN 生成数据的计算成本较高，但其表现显著优于其他方法，同时强调了氧气需求量和血氧饱和度（SpO2）是死亡率最强的预测因子。

本文提出了一种面向方向感知的网格学习方法，该方法利用一种新型的有符号半二面角标量来编码局部面方向，与传统的以边为中心的方法相比，显著提高了在切割和开放边界等结构扰动下 3D 形状的鲁棒性和分类准确度。

这项回顾性研究开发并评估了一种集成人口统计学、临床、基因组学和影像数据的多模态人工智能临床决策支持系统，旨在增强文莱前列腺癌个性化治疗的预测，并证明尽管存在样本量较小的局限性，但采用后期融合的混合 LSTM–Random Forest 架构实现了稳健的性能（AUC 0.964）。

这项研究表明，机器学习算法，特别是支持向量分类器，利用遥感数据在检测尼日利亚奥莫森林保护区（Omo Forest Reserve）的森林退化方面达到了极高的准确率（高达99%），从而提倡将其纳入国家保护政策中以实现可持续的森林管理。

本研究采用实验设计方法，对专为圣埃斯皮里图图州检察官办公室定制的检索增强生成系统中的关键超参数（具体为分块策略、上下文容量和 LLM 选择）进行了分析与优化，并通过使用对齐秩变换（Aligned Rank Transform）进行的统计分析，揭示了这些因素对响应质量具有显著影响。