本研究提出了多注意力增强的深度学习框架，用于从超声图像中进行乳腺癌肿瘤的分类和分割，实验结果显示其在分割和分类任务上取得了优异的性能。

Jul, 2024

通过建立理论框架，比较了两种主要生成式自监督学习范式 —— 自回归 SSL 和掩码 SSL 在分类和内容生成任务中的优势和局限性，并提出了多样性增强的自回归和可变长度掩码目标，显著提高了自回归 SSL 的分类性能和掩码 SSL 的生成性能。

Jul, 2024

通过使用 MaxVit，EfficientVit，EfficientNet，EfficientNetV2 和 MobileNetV3 等最新的高效架构，本研究旨在评估这些模型在白细胞分类中的性能，为当前方法提供更高效、可靠的替代方案，并探索创新的深度学习模型在血液分析中的应用。

Jun, 2024

通过对高斯随机场学习和泊松学习算法进行改进，我们在图形半监督学习领域提高了对少标签大数据集的分类准确性，并创建了更强大的算法，实验结果证明了这些方法在不平衡数据集环境下优于传统的图形半监督技术。

Jun, 2024

该论文扩展了对比差异学习 (PDL) 在分类任务中的应用，提出了一种元学习技术，通过解决原始训练数据的成对版本上的适当定义的（二元）分类问题，来诱导 PDL 分类器。在大规模的实证研究中，分析了 PDL 分类器的性能，并发现其在预测性能方面优于现有的方法。最后，提供了一个易于使用和公开可用的 PDL 的 Python 包实现。

Jun, 2024

该研究提出了一种精确的大脑肿瘤分类方法，通过融合预训练的 ResNet152V2 和修改的 VGG16 模型，在深度神经网络中保留细微的梯度以实现有效的肿瘤分类，并结合各种图像处理技术来改善图像质量，准确度分别达到 98.36% 和 98.04%，并且在资源受限的边缘设备上能够平滑部署。

Jun, 2024

本研究提出了一种全面的方法来预测悉尼大都市区交通事故的持续时间，并将其分类为短期或长期。我们利用包含交通事故详细记录、道路网络特征和社会经济指标的数据集，通过训练和评估包括 Gradient Boosted Decision Trees (GBDT)、Random Forest、LightGBM 和 XGBoost 在内的各种先进机器学习模型。我们的实验结果表明，XGBoost 和 LightGBM 在预测持续时间和分类方面优于传统模型。提出的方法不仅能够实现高度的预测准确性，还能为利益相关者提供有关影响事故持续时间因素的重要见解，从而为交通管理和响应策略提供更明智的决策。

Jun, 2024

大型语言模型在自然语言生成方面取得了显著的成功，但在决策任务如分类方面的适用性却鲜有关注。本文提出了 PAG-LLM 方法，通过生成原始查询和多个并行查询的多次释义、多类别分类以及根据置信度得分对所有分类标签进行聚合，以解决大型多类别分类任务中的错误和词表外标签生成问题。我们在 CLINC 和 Banking 这两个大型多类别分类数据集上评估了 PAG-LLM，在错判率分别降低了 22.7% 和 15.1%。研究结果表明，PAG-LLM 在 LLM 不确定的复杂案例上表现出特别有效的作用，降低了重要的误分类和虚构标签生成错误。

Jun, 2024

这项研究评估了基础模型在心理健康护理问题和回答分类中的效果，并发现预训练语言模型（PLMs）在捕捉语义意义方面具有非常好的结果，对于阿拉伯语的心理健康支持具有很大的潜力。

Jun, 2024

通过对 LNGT 的分析，我们提出了一种新的分类方法，并进行了有关记忆效应和未来研究机会的探讨，为后续研究提供指导。

Jun, 2024