本页收录的每篇论文,都有至少一位原作者阅读并参与了我们的通俗解释——或是确认其准确无误,或是提出修正意见并由我们随后采纳。作者的确认并不等同于对每一句话的正式背书,但说明该解释已经过论文作者的审视。

1227 篇论文已由作者审阅 · 1051–1060 / 1227

📊 statistics

Is K-fold cross validation the best model selection method for Machine Learning?

该论文指出传统 K 折交叉验证在处理小样本和异质数据时存在局限性,并提出了一种结合上界风险估计(K-fold CUBV)的新统计检验方法,该方法通过浓度不等式界定不确定预测,在模拟和神经影像数据中展现出比传统方案更稳健且能有效减少假阳性的验证能力。

Juan M Gorriz, R. Martin Clemente, F Segovia, J Ramirez, A Ortiz, J. Suckling2026-04-24✓ Author reviewed ⓘ
🤖 machine learning

Beyond Land Surface Temperature: Explainable Spatial Machine Learning Reveals Urban Morphology Effects on Human-Centric Heat Stress

本研究通过在新加坡开展的对比实验,利用地理加权XGBoost(GW-XGBoost)等可解释机器学习方法证明了地表温度(LST)无法充分反映人体真实的生理热压力(UTCI),并揭示了天空视图因子(SVF)等城市形态特征对人体热压力具有比对地表温度更显著的影响,从而强调了在气候适应型城市规划中采用生理相关热指标的重要性。

Yuan Wang, Shengao Yi, Xiaojiang Li, Pengyuan Liu, Zhiwei Yang, Ronita Bardhan, Rudi Stouffs2026-04-24✓ Author reviewed ⓘ
💰 quantitative finance

Systemic Risk and Default Cascades in Global Equity Markets: A Network and Tail-Risk Approach Based on the Gai Kapadia Framework

该研究将 Gai-Kapadia 框架扩展至全球股市,通过分析巴西与发达市场构成的 30 资产网络,揭示了系统性风险源于网络拓扑结构(如巴西市场的高聚类性)与厚尾分布的相互作用,表明尽管系统整体具有强韧性,但局部高度互联的子网仍面临显著的违约级联风险。

Ana Isabel Castillo Pereda2026-04-23✓ Author reviewed ⓘ