2275 篇论文
本文介绍了一种轻量级的后处理边界细化模块（BRM），该模块通过在不降低现有正确预测性能的前提下修正边界错误，显著提高了生物医学命名实体识别的准确性，从而在仅需极少计算资源的情况下增强了下游关系抽取的稳定性。
本文介绍了 ChaosEntropyGate v2 (CEG-2)，这是一种结合了特征增强器的有界可学习不确定性门控机制，该机制虽然在特定领域内略微提升了基于深度学习的恶意软件检测性能并修正了先前的稳定性问题，但最终证实了经过调优的树集成模型仍然是处理该任务最稳健且最具成本效益的解决方案。
本文评估并比较了随机森林、XGBoost 和时间卷积网络模型在预测锂离子电池剩余使用寿命方面的性能，展示了它们在 Coral Dev Board 上的实际部署及其在电动汽车预测性维护中的有效性。
本文介绍了 APOSM，这是一个主动学习框架，通过在分子对比较而非绝对评分之上训练图神经网络代理模型，增强了小分子设计，从而在噪声筛选机制中显著提高了目标达成率和采样效率。
本文介绍了 InterGRACE，这是一个集成梯度引导的对抗性框架，通过针对 ST 段和 T 波等决策相关特征，为 12 导联心电图生成具有临床意义的反事实解释，从而增强人工智能模型在心肌梗死检测中的可解释性。
本研究表明，公平性感知机器学习模型，特别是采用差异影响消除（Disparate Impact Remover）和对抗性去偏（adversarial debiasing）等偏差缓解技术的模型，能够在保持高预测准确性的同时，利用 ADNI 数据显著减少阿尔茨海默病分类中的性别相关差异，并增强临床及性别相关决定因素的可解释性。
本文介绍了一种自动化的、受污染控制的基准测试流水线，该流水线通过从私有的 3D 肿瘤影像和放射学报告中生成多项选择题，来严格评估视觉语言模型，并揭示了当前模型往往依赖于文本线索或数据集熟悉度，而非真正的视觉感知。
本文介绍了 DualAttentionNet，这是一个轻量级的深度学习框架，它通过引入双通道注意力模块增强了传统的 EEGNet，在确保鲁棒性、可解释性和计算效率的同时，在多分类 EEG 数字解码任务中实现了 92.36% 的最先进准确率。
本文对基于人工智能的 Android 恶意软件检测系统进行了系统性的文献综述（2020–2025），分析了它们在对抗性攻击下的脆弱性，评估了现有的防御策略，并确定了实现鲁棒且可信安全的关键差距与未来的研究方向。
LC-MSCKF 通过采用一种结合了用于预测退化的轻量级学习分支与用于有界修正膨胀的创新反馈分支的混合两阶段不确定性校准策略，提升了视觉惯性里程计的精度，在多种基准测试中显著优于固定式和单分支自适应基准方法。