1593 篇论文
本研究评估了用于预测尼泊尔家庭生物气使用的国家级机器学习模型在不同时期和局部背景下的可迁移性，发现虽然这些模型在按相对概率对家庭进行排序方面保持了强大的能力，但其绝对普及率预测会随时间和地点而发生漂移，这表明它们最适合作为监测能源转型的自适应基准，而非固定预测。
本研究表明，在膨胀性软土中掺入2%的椰棕纤维或黄麻纤维，通过纤维桥接和颗粒咬合等机制，能显著降低其塑性和压缩性并提高强度，从而大幅提升其工程性能，为土壤改良提供了一种可持续的替代方案。
这项研究基准测试了用于预测孟加拉国哈丁格大桥高流量事件的各种机器学习和深度学习模型，发现虽然随机森林在仅包含气象数据的场景下优于神经网络，但引入当前水文状态数据对预测准确度的提升显著大于架构复杂度的提升，尽管由于预测因子与目标之间存在共享的数据谱系，其结果仍是可重复的代理基准而非具备业务能力的技能。
本研究提出了一种低成本、便携式且超灵敏的集成玻璃碳电极离心微流控CD平台，该平台能够实现针对SARS-CoV-2刺突蛋白和前列腺特异性抗原的无标记双电化学检测，适用于即时检测应用。
本研究提出了一种物理引导的可解释机器学习框架，该框架利用优化的 CatBoost 模型来准确预测纳米页岩-生石灰稳定高岭土的无侧限抗压强度，同时量化不确定性并识别塑性和养护相互作用等关键物理驱动因素。
本综述对有关立方体卫星（CubeSat）及纳米卫星姿态确定与控制（ADCS）气浮实验台的40项研究进行了系统性合成，强调了向模块化和开源硬件的转变，识别了传感器融合与推进器验证方面的关键空白，并优先提出了在高保真扰动补偿、数字孪生以及人工智能辅助诊断方面的未来发展方向。
本文探讨了深度学习和优化算法等人工智能技术如何应对智能电网中的关键挑战——包括可再生能源集成、需求管理和网络安全——旨在通过实际应用来提升能源效率、可靠性和可持续性。
本文介绍了 QFDT-XMAI 框架，这是一个五层架构，它集成了量子增强联邦学习、图注意力多智能体协同以及可解释人工智能，旨在实现分布式站点间自主且可审计的工程管理，同时保护数据隐私并提高收敛效率与决策透明度。
本文对无 GPS 环境下的 SLAM 与里程计进行了以传感器为中心的综述，通过按感知模态和成熟度层级对文献进行组织，以分析性能权衡，识别多传感器融合与神经集成等关键趋势，并论证鲁棒定位需要互补感知与不确定性感知估计器的结合，同时强调碎片化的基准测试是阻碍进展的主要障碍。
本研究利用基于 Transformer 的框架对近 20,000 件美国机器人专利进行分析，旨在证明虽然单纯的语义新颖性并不能预测专利的持续性，但前向语义影响力能显著降低维持费欠缴导致专利失效的可能性，且只有当新颖性在既有领域内保持技术可理解性时，其才对专利留存具有贡献。