2354 篇论文
本文提出了一种鲁棒且可解释的多模态融合框架，该框架通过将视觉和文本特征与堆叠集成学习方法相结合，在情感识别方面实现了最先进的准确率（98.41%），在超越单模态方法的同时，通过 SHAP 和 LIME 确保了可解释性。
本文提出了一种鲁棒的 GDD-TL 方法，该方法通过针对特定层增强迁移学习，在蝴蝶物种分类中实现了 94.33% 的准确率，超越了标准的 CNN 架构，并展示了在不同数据集上的强泛化能力。
本文证明，仅由摘要衍生的透明且去领域化的语言模型指纹，通过分离出一个独特的“可验证性”轴，能够显著优于基于引用的指标来预测研究的可复制性，从而解释了为什么引用无法作为科学稳健性的代理指标。
本研究表明，利用数据科学和人工智能对出版元数据进行系统分析并构建基于图的模型，是为构建专注于英格兰北部酒精、成瘾及心理健康领域的临床与学术研究网络，相较于人工方法而言，一种具有可扩展性、高效性且无偏见的替代方案。
这项多中心研究提出了一个结合了用于合成数据增强的 Gabor 先验引导扩散模型与基于状态空间分割网络的创新框架，该框架共同提高了心包积液描绘的准确性，并展示了在内部和外部超声心动图数据集上的鲁棒泛化能力。
本文介绍了 AIDA-AND，这是一个协作式多智能体框架，它通过专门的智能体将语义表示与可解释的元数据证据相结合，以实现具有竞争力的、模块化的且高效的作者姓名消歧，在显著减少执行时间的同时提升了在基准数据集上的性能。
本文提出了 SETU，这是一个具有文化响应性和情感感知能力的概念框架，通过整合六个组成部分来增强教师能力，并将人工智能辅助学习与《2020年国家教育政策》相一致，从而架起印度多语言课堂与正式课程之间的桥梁。
本文审计了一项 LoRA 秩（rank）比较研究，旨在证明一种反向秩计算归一化规则通过极度的训练不足人为地惩罚了较大的秩，从而揭示了所观察到的性能排名高度依赖于特定的预算分配，而非模型固有的能力。
该论文提出了 RAUDI，这是一个用于工业异常检测的双头框架，它通过灵活利用真实的缺陷样本或通过一种新颖的多阶段超像素方法（RASMS）合成的逼真伪异常，将无监督学习与有监督学习统一起来，并在 MVTec AD 和 KolektorSDD2 基准测试上均实现了最先进的性能。
本文通过对 ACL 2026 会议论文集的审计发现，尽管几乎所有引用的参考文献均真实存在，但由于未记录的模型配置导致单次运行的自动化断言支持审计无法复现，这表明严谨的引用验证需要严格的操作日志记录以确保可复现性。