1017 篇论文
本文介绍了 Scholar-ML-1000，这是一个于 2026 年 6 月收集的包含 996 位高被引机器学习研究人员的公开数据集，该数据集揭示了像谷歌和 DeepMind 这样的主要科技公司目前拥有的顶尖机器学习学者数量已超过顶尖大学的总和，同时也凸显了该领域显著的全球多样性和跨学科影响力。
PRISM-VFL 是一个差分隐私纵向联邦学习框架，它通过集成带有多门控混合专家模块（Multi-gate Mixture-of-Experts module）的 LSTM 编码器，实现了异构临床预测任务的并发训练，并证明了尽管该框架能有效抑制标签推理攻击，但在中度隐私约束下，住院死亡率预测仍保持临床可行性，而失代偿和表型分析等其他任务则面临显著的效用挑战。
本文介绍了 Scholar-India-ML 文献计量数据集，用于分析 478 位高被引印度机器学习学者的引用模式和研究轨迹，揭示了印度科学理工学院和印度统计研究所的表现优于印度理工学院（IITs）的引用影响力，同时工业界实验室也正成为该国人工智能生态系统中重要的贡献者。
本文提出了一种基于自适应无线传感器网络（WSN）的物联网（IoT）节点部署与数据传输模型，该模型将 HEED 分簇协议与 IEEE 802.11x 标准以及深度学习分析相结合，旨在优化大规模物联网应用中的能量效率、延长网络寿命并提升服务质量（QoS）。
本研究评估了多模态大语言模型在首尔城市设计评估中的可靠性与有效性，发现尽管它们在视觉显性特征方面表现良好，但由于无法完全复制人类对语境或比例变量的评分，其适用性被限制在特定元素而非通用性的应用领域。
本文提出了一种机器学习范式，该范式绕过了传统的图像重建过程，直接从极少的测量数据中检测出感兴趣的实体（例如疾病），从而在保持诊断准确性的同时，显著降低了采集成本和时间。
本文提出了一种针对异构多机器人系统的混合任务分配框架，该框架结合了用于基于自然语言生成高质量初始解的大语言模型，以及一种基于记忆引导的加速-减速局部搜索算法，在保持可扩展性的同时，与传统方法相比实现了 17.07% 的任务完工时间缩减。
本文介绍了虚拟言语治疗师（VST），这是一个由人工智能驱动、临床医生在环的平台，它将基于深度学习的口吃分类与多智能体大语言模型推理相结合，以生成、评判并完善个性化且基于循证依据的治疗方案，供专家进行审查与实施。
本文介绍了“掷骰子法”（Dice Roll Method），这是一种具有统计学原则的协议，它通过负二项分布广义线性混合模型（GLMM）框架和基于模拟的效能分析，取代了存在缺陷的参数假设，旨在为衡量大语言模型输出中的随机偏差建立标准化的迭代次数和可靠性阈值。
MobiShield 是一种用于安卓恶意软件检测的新型联邦学习框架，它通过集成自适应特征加权、基于 Hoeffding 的漂移检测以及根据分布偏移调整噪声水平的动态差分隐私机制，同时解决了非独立同分布（non-IID）数据异构性、概念漂移和隐私泄露问题。