- 医学不可学习的示例：通过稀疏感知的本地屏蔽保护医学数据免受未授权的训练
通过在数据中引入不可察觉的噪声来保护医学数据的隐私，在医学影像数据中应用新方法，选择性地扰乱重要像素区域，提高数据保护的效率和效果，防止未经授权对深度学习模型进行训练。
- VerifiNER: 基于知识驱动的大语言模型增强的命名实体识别的验证
最近在领域特定命名实体识别（NER）方面采取的方法取得了显著进展，但它们仍然缺乏准确性，产生错误预测。本文提出了一种后续验证框架 VerifiNER，通过利用知识来从现有的 NER 方法中识别错误并修正成更为准确的预测。我们的框架利用大型语 - 生物医学数据点对点联邦学习中的联邦策略对比
本研究旨在测试不同的联邦学习策略在点对点环境中的效果，提出了各种聚合策略，包括基于参与者贡献的加权平均聚合，并通过使用不同数据量的生物医学数据集进行测试，实验结果表明基于准确性的加权平均方法优于传统的联邦平均方法。
- Panoptica -- 3D 语义和实例分割地图的逐实例评估
该论文介绍了一个名为 panoptica 的软件包，用于计算 2D 和 3D 分割映射的实例级分割质量指标。panoptica 通过引入不同的指标，如平均对称面距离，弥补了现有指标的局限性，并提供了一个模块化框架。该软件包是开源的，使用 P - 对照分析框架下的特征选择
对比分析（CA）是指与相应背景数据集相比，在目标数据集中独特丰富的变化的探索，这些变化源自与给定任务无关的变异源。本文介绍了对比特征选择（CFS），一种在对比分析环境中进行特征选择的方法，通过一种新的信息论分析方法，我们证明了我们的方法在对 - 基于潜在图的生物医学表格数据半监督学习
通过建立潜在图来发现数据之间的内在关系，我们的方法在半监督学习中取得了最先进的结果，并且在三个生物医学数据集上进行了验证。
- 神经符号人工智能用于生物医学知识图谱推理
本文调查了神经符号人工智能的杂交方法在生物医学领域的实用性和潜在益处，这些方法对于如药物重新定位等任务的 KG 完成 (KGC) 更为适合，因为生物医学数据集通常被建模为知识图谱 (KG) 以捕捉其多关系、异质性和动态属性。
- ACLDARE：针对生物医学和医疗保健应用的强韧文本解释
本文旨在解决当前越来越普遍的深度神经网络 “黑匣子” 问题，介绍了如何适应不同领域的需求来提高解释方法的鲁棒性，并提供两种训练方法来缓解其脆弱性，最终通过实验证明了方法的有效性。
- ACL利用堆叠卷积和学生重排网络实现强大的知识图谱补全
本文提出一种基于文本实体表示的卷积神经网络，用于知识图谱补全，实验结果表明，该模型在稀疏情况下表现出色，结合实体重排技术，进一步提高了补全效果。
- 子图神经网络
使用 SubGNN 模型对含有多个离散链接的生物医学数据集上的子图进行预测任务，通过神经路由机制，网络能够学习分离的子图表示，其中指定了三个信道以捕捉子图拓扑的不同方面，并在 8 个子图分类数据集上以及具有复杂拓扑结构和多个未连接组件的具有 - 保持拓扑结构的深度图像分割
我们提出了一种新的学习方法，通过设计一个连续的价值损失函数来促进分割具有与真值相同的拓扑结构，即具有相同的 Betti 数，将其并入深度神经网络的端到端训练中，以在广泛的自然和生物医学数据集上实现更好的性能。
- ACL使用显式上下文条件的关系抽取
该研究提出了计算上下文标记间隐式关系并与一阶关系得分相结合，以改进关系抽取模型性能的方法。在两个生物医学数据集上得到了最优结果。
- Graph-Sparse LDA：一种结构稀疏的主题模型
本文介绍了一种基于 Graph-Sparse LDA 的分层主题模型，能够在两个真实的生物医学数据集上恢复稀疏且可解释的主题摘要，同时达到最先进的预测性能。