- 分类的成对差异学习
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 - 基于细粒度梯度保持的脑肿瘤分类的深度融合模型
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. - 利用机器学习方法预测悉尼大都市区交通事件的持续时间
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 ( - SIGIR利用大型语言模型进行改写和聚合以最小化意图分类错误
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 - 评估心理健康问答分类基础模型的有效性
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。
- 学习中的噪声基准：从 2D 分类到 3D 重建
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。
- 使用迁移学习进行骨折分类
本研究介绍了一种用于骨折分类的简单而健壮的训练方法，相较于现有方法取得了明显的优势性能，仅需少于十个 epochs，利用最新的数据集建立了最佳模型。我们强调了负责任和高效地训练深度学习模型以及选择高质量数据集的重要性。
- FA-Net：一种基于模糊注意力的深度神经网络在胸部 X 光片中的肺炎检测
通过使用胸片 X 光图像，开发了一种计算机辅助诊断系统以自动检测肺炎，该系统使用 DenseNet-121 和 ResNet50 作为二元分类（肺炎和正常）和多分类（细菌性肺炎，病毒性肺炎和正常）任务的主干，并实现了一种名为 Fuzzy C - BIOSCAN-5M：一种昆虫生物多样性的多模式数据集
BIOSCAN-5M 昆虫数据集是一个包含 500 万多个昆虫标本的综合数据集，通过包括分类标签、原核酸条形码序列、条形码索引以及地理信息等多模态信息，扩展了现有的基于图像的生物学数据集。研究通过提出三个基准实验，展示了多模态数据类型对分类 - 结构脑 MR 图像的精神分裂症分类空间序列注意力网络
该研究引入了一种深度学习方法，使用空间序列注意力（SSA）机制对带有精神分裂症的个体进行分类，通过结构性磁共振成像（sMRI）提取并强调重要特征表征，实验证明该注意力机制在精神分裂症分类中优于现有的压缩和激励网络。
- 通过将令牌生成视为分类融合来打破 LLM 社区的层级限制
利用生成式语言模型（GaC），将多个大型语言模型（LLM）集成在一起，在多项基准测试中突破了现有的性能限制；此外，仅集成关键标记也表现出更好的性能和更低的延迟。
- 多维剪枝：带时延约束的通道、层和块剪枝
提出了一种新的多维修剪框架，可以同时优化通道、层和块的修剪，并满足延迟约束，通过将修剪重新构建为混合整数非线性规划 (MINLP)，能够高效地确定最佳修剪结构。该方法在大规模修剪比例下取得了显著的改进。
- PrAViC：实时视频分类的概率适应框架
我们提出了一个适应在线分类问题的新颖、统一和基于理论的自适应框架，该框架旨在通过建立强大的数学基础来处理序列数据的分类，并在早期阶段返回结果，同时不影响准确性。
- MM自我监督和少样本学习在稳健生物气溶胶监测中的应用
实时生物气溶胶监测利用自监督学习和少样本学习，通过大量未标记数据和很少的样本来分类全息图像，从而优化监测工作流程并减少模型适应不同情况所需的努力。
- 开放集图像分类技术的大规模评估
分类的目标是将未知样本正确地分配标签。开放式分类（OSC）算法旨在最大化封闭式和开放式识别能力。本文全面比较了各种 OSC 算法，包括基于训练的方法和后处理方法，充分评估它们在模拟真实世界问题中的性能，结果显示 EOS 有助于改善几乎所有后 - 基于卷积神经网络的特征提取深度学习模型研究
通过选用 AlexNet 和 InceptionV3 模型进行优化分类，结合医学图像特征，学习更深层次、更复杂结构的前向神经网络，再利用知识提取技术将结果数据提取到 AlexNet 模型中，从而提高计算效率和降低计算成本，使得训练后的 Al - 对中间隐藏状态的介绍解释 LLM 安全性：关于对齐和越狱的工作方式
本研究通过弱分类器解释大型语言模型的安全性，确认在预训练阶段 LLMs 学习道德概念而不是对齐，揭示了安全对其生成的恶意内容的抵御机制，以及越过安全限制的越狱行为对 LLM 安全的影响，从而提供了 LLM 安全的内在机制和减轻担忧的新视角。
- 混合曲率决策树与随机森林
我们扩展了决策树和随机森林算法到混合曲率的产品空间，并在该研究中展示了通过在产品流形中进行简单、表达丰富的分类和回归来克服已有限制，并证明了与环境空间中的欧氏方法相比，在覆盖了各种曲率的组分流形和产品流形上具有卓越的准确性。
- CLoG: 图像生成模型的持续学习基准测试
在人工智能中，持续学习（Continual Learning）是一个重要的挑战，旨在模拟人类不断获得知识和技能的能力。本研究将关注点从基于分类任务的持续学习转移到生成模型的持续学习（CLoG）。研究通过对比传统的基于分类任务的持续学习，系统 - GNNAnatomy: 图神经网络的多层解释的系统生成与评估
GNNAnatomy 是一个模型和数据集通用的视觉分析系统，利用 graphlets 来解释 Graph Neural Networks 在图级分类任务中的行为，并通过两个指标验证推测的 graphlet 解释的有效性和对分类结果的影响。