A Unified Survival Benchmark for Temporal Dropout Risk Prediction in Learning Analytics
本文通过使用 OULAD 数据集,引入了一个用于时间性辍学风险预测的统一、多维生存基准,证明了行为和时间信号优于静态属性,同时强调了区分模型家族以避免评估伪影的必要性。
2354 篇论文
本文通过使用 OULAD 数据集,引入了一个用于时间性辍学风险预测的统一、多维生存基准,证明了行为和时间信号优于静态属性,同时强调了区分模型家族以避免评估伪影的必要性。
本文提出了一种鲁棒的多模态深度学习框架,该框架利用卷积神经网络(CNN)、双向长短期记忆网络(BiLSTM)和ECAPA-TDNN,通过自组织映射进行特征融合,将面部表情、心率变异性和语音信号相结合,在识别七种情绪状态方面达到了98.6%的准确率,并显著优于单模态基准模型。
本研究提出了一种多模态框架,该框架利用从舞蹈视频中提取的人体舞蹈运动动力学(从姿态关键点中提取),通过更好地将建议曲目与用户的具身节奏偏好及情感状态对齐,来增强个性化音乐推荐。
这项研究表明,视觉显著性而非仅仅是稀缺性,是微调后的医学影像模型产生记忆化和成员推理漏洞的主要驱动因素,并证明了医学领域预训练无法缓解这些风险,而 DP-LoRA 则能有效降低这些风险。
本文提出了用于消除摄像头偏差的特征校准(FCBE)框架,该框架通过风格感知度量校准和分布感知中值校准来减轻无监督行人重识别中的摄像头诱导偏差,从而增强聚类可靠性,并在 Market-1501 和 MSMT17 数据集上实现了最先进的性能。
本文提出了一种确定性的、去中心化的双边瓦尔拉斯拍卖机制,用于协作式多接入边缘计算,该机制通过精确的 KKT 最优出价和离散时间价格调整程序,取代了计算开销大且缺乏自适应性的基于人工智能的方法,即使在高网络负载下也能实现卓越的执行速度、能量边界控制以及社会福利最大化。
本测量笔记审计了在受限的 FLAN-T5 QA 流水线中,标称压缩率与实际读者可见上下文保留量之间的差异,证明了虽然较高的标称压缩率会增加预包装标记计数,但最终的模型输入会受到模板开销和截断的显著限制,并且内容选择质量比单纯的标记预算更为重要。
本文提出了一种物理约束的神经识别框架,该框架能够同时重构热转化曲线并从多速率热重数据中精确估计阿伦尼乌斯动力学参数,从而有效克服了传统方法在病态问题和噪声敏感性方面的缺陷,实现了对未见加热速率的稳健预测。
尽管标题暗示其重点在于通过卫星图像进行土地利用分类,但该论文实际上提出了一种用于边缘辅助无线传感器网络(WSN)的安全且节能的路由与聚类框架,该框架整合了空间贝叶斯神经网络、前向私密可验证动态可搜索对称加密、用于簇头选择的 Humboldt 乌贼优化算法,以及用于占空比控制的双演员双延迟深度确定性策略梯度算法,以显著提高能量效率、网络寿命和数据包交付率。
本研究表明,在资源受限城市的城市空气质量与温度预测中,零样本基础模型在现实数据和计算约束下进行评估时,其表现往往能达到甚至超越专门化及迁移学习方法,从而挑战了重型基础模型不适用于此类部署的假设。