cs 篇论文 | Gist.Science

本文表明，尽管观点相似性和结构相似性都会驱动社交网络中的极化现象，但在链接推荐算法中策略性地结合这两种机制，可以防止网络碎片化并促进温和观点的共存。

本文提出了一种可解释的多模态混合深度学习框架，该框架整合了智能手机与穿戴式传感器数据，通过利用先进的特征工程和注意力机制来识别睡眠不规律、活动量减少、社交退缩以及夜间手机使用增加等关键行为指标，从而实现高准确度的抑郁症早期检测。

本文介绍了一种基于 wav2vec 2.0 XLS-R 架构的卡拉卡尔帕克语自动语音识别系统，该系统利用新创建的 50 小时卡拉卡尔帕克语语音语料库实现了 21.10% 的词错误率，并展示了标注数据量对低资源语言识别性能的影响。

本文提出了一种人工智能引导的组装框架，该框架将实时、具备上下文感知能力的指令直接集成到产品设计中以取代静态手册，并通过一项用户研究证明，与传统的说明书引导相比，这种方法显著降低了组装时间、错误率、犹豫感和认知负荷。

本研究提出了一种时间衰减门控循环单元（TD-GRU）模型，该模型将时间衰减限制在隐藏状态内以保留原始临床数值，证明了在处理稀疏且不规则采样的 ICU 轨迹进行早期 Sepsis-3 预测时，具有统计学上可信的网络临床获益以及优于多种基准模型的性能。

本文提出了 CCPP-LPC，这是一种利用局部路径代价评估模型和自适应双引导扰动策略的全覆盖路径规划算法，旨在克服现有启发式方法的局限性，从而在复杂环境中实现卓越的计算效率和路径优化。

本文提出了一种基于极化现象的异常检测方法，该方法利用社交媒体数据上的最小共识努力（MEC）指数，证明了通过监测公众分歧的变化来识别重大事件的效果优于传统的基于规模的方法，并通过对 2024 年 X 平台上哥伦比亚养老金改革辩论的案例研究进行了验证。

本研究提出了一种结合了变分模态分解（VMD）、时间卷积网络（TCN）和双向门控循环单元（BiGRU）的新型混合深度学习模型，该模型在利用来自 NASA POWER 的土耳其数据进行长期月度太阳辐照度预测方面，显著优于其他九种机器学习算法。

本文提出了一种基于 DenseNet-121 的深度学习系统，该系统在对孟加拉国 MRI 数据集中的四种脑肿瘤进行分类时实现了 96.52% 的准确率，同时利用 Grad-CAM 及相关技术来确保模型的透明度与可信度。

本文提出了 IDW-ADAFormer，这是一个基于 iTransformer 的框架，该框架集成了自适应反距离加权分解、基于核的对齐多样性注意力模块以及 AQI 感知损失函数，旨在实现对空间分布颗粒物浓度准确且具可解释性的中短期预测。