- CVPR从 AIM-2 可穿戴传感器自动识别饮食环境
通过使用神经网络和两阶段训练框架，结合微调和迁移学习技术，本研究成功应对了数据不平衡问题，实现了 96.63% 的高分类准确率，从而自动识别摄入环境。
- 一种改进的监督对比学习方法在乳腺癌组织学图像分类中的应用
通过改进监督对比学习方法，结合自监督学习和标签数据，在有限数据情况下提高医学图像处理任务中深度神经网络的分类准确率，特别是在乳腺癌组织病理学图像上实现了 93.63% 的绝对准确度。
- 去中心化学习对节点和数据干扰的鲁棒性
去中心化学习具有鲁棒性，在节点破坏和数据可用性方面表现出非凡的稳定性和分类准确率。
- 基于置信度加权的多方法集成在零样本图像分类中的应用
本文介绍了一种用于零样本学习（ZSL）的新型框架，该框架利用多模型和多对齐集成方法识别在训练过程中未见过的新类别，通过利用 ChatGPT 的广泛知识和 DALL-E 的强大图像生成能力创建能够准确描述未见类别和分类边界的参考图像，改善信息 - 贝叶斯功能连接和图卷积网络用于工作记忆负荷分类
通过应用贝叶斯结构学习算法，该研究在传感器空间中学习了脑电图（EEG）的功能连接性，并将得到的功能连接图输入图卷积网络进行工作记忆负荷的分类，其在 154 名受试者的 6 种不同工作记忆负荷下表现出 95% 的最高分类准确性和 89% 的平 - 置换等变量量子卷积神经网络
量子机器学习中，基于置换对称系统的强大算法被提出，利用对称群、等价量子卷积神经网络等关键词建立了置换对称系统的强大算法。
- AdaFSNet: 基于自适应和有效的卷积核大小配置的时间序列分类
通过综合实验证明，AdaFSNet 网络在时间序列分类任务中具有高效性和有效性，通过动态选择范围恰当的核大小和设计 TargetDrop 模块，可以提高分类准确性。
- 基于生成模型的强化学习与紧凑支持集
使用强化学习作为对基础模型的控制的框架，通过生成小而专注的合成支持集来增强神经网络模型在真实数据分类任务上的性能，而无需额外的标记或数据成本。
- 探索 DCE-MRI 中良性和恶性乳腺病变的运动曲线特征分类
利用 3D 特征分析动态和放射学特征可以有效区分良性和恶性乳腺病变，提高良性和恶性乳腺病变的分类准确性。
- ECOR：面向目标识别的可解释 CLIP
在本研究中，我们通过给对象识别任务中的大视觉语言模型（VLMs）提供可解释性的数理定义（基于类别和原因的联合概率分布），以一种可解释的方式对 CLIP 进行微调，从而在解释性分类方面展现了最先进的性能，尤其在零样本设置下表现出了它的适应性， - 基于有监督对比视觉变换器的乳腺组织病理图像分类
使用监督对比视觉转换器（SupCon-ViT）的新方法，借助迁移学习和监督对比学习的优势，改进了浸润性导管癌（IDC）的分类准确性和泛化能力，并在基准乳腺癌数据集上取得了最先进的性能，F1 分数为 0.8188，精确度为 0.7692，特异 - 通过压缩样本增量学习对新食物进行分类
食物图像分类系统在通过基于图像的膳食评估技术进行健康监测和饮食跟踪中起到了至关重要的作用。我们的工作探索了使用神经图像压缩来扩展缓冲区大小和增强数据多样性的概念，以此应对持续演变的数据，并在食品特定数据集和一般数据集上的广泛实验中展示了分类 - 融合自适应小波变换的纹理分类网络
将可学习的小波模块整合到卷积神经网络中，以增强纹理特征提取，并通过在 ResNet18 模型中引入并行小波分支，实现对空间和频率域纹理特征的同时分析，从而提高了分类准确性。在收集的超声波数据集和公开的自然图像纹理数据集上进行实验，我们的模型 - 基于可解释人工智能的监督式机器学习方法的预测模型用于孟加拉患者的乳腺癌分类
乳腺癌是近年来患病率迅速增加的一种导致全球死亡率居高不下的常见疾病，本研究通过使用机器学习方法，特别是 XGBoost 算法，对乳腺癌进行预测和分类，发现 XGBoost 算法在 500 名患者的数据集上取得了 97% 的精确率。
- 探索深度学习模型中使用群归一化在阿尔茨海默病分类中的有效性
使用 Group Normalization 作为批量归一化（Batch Normalization）的替代方法来解决其在深度学习模型中所面临的严重挑战，具有与或提高分类准确率的可比性，而且可以自然地从预训练阶段转移到微调阶段。
- HSIMamba: 高效特征学习与双向状态空间的高光谱成像分类
通过使用双向反卷积神经网络路径提取光谱特征的 HSIMamba，进一步结合具有 Transformer 中的注意机制的动态特征提取能力，避免了高计算要求。该方法在处理数据的双向性上有显著优势，大幅度提取光谱特征并将其与空间信息综合分析，从而 - 通过稀疏编码架构提高对模型反转攻击的鲁棒性
近期的模型反演攻击算法允许攻击者通过多次查询神经网络并检查其输出来重建网络的私密训练数据。本文开发了一种新型网络架构，利用稀疏编码层来提高对此类攻击的抵御能力。相比于多种最先进的防御方法，我们的稀疏编码网络架构在保持相当或更高分类准确性的同 - 极地海冰分类的并行工作流程：使用 Sentinel-2 图像的自动标注
使用 Sentinel-2 图像，通过自动标记从 S2 图像中过滤掉薄云和阴影，利用分段和自动标记的方法，训练 U-Net 机器学习模型，在极地海冰的 Ross Sea 地区实现了 98.97% 的分类准确度。
- 零样本泛化的测试时间原型移动：与视觉语言模型
通过引入测试时间原型偏移（Test-Time Prototype Shifting，TPS）框架，我们在共享嵌入空间中调制每个类别的原型，动态地学习每个原型的偏移向量，从而弥合领域差距，提高分类准确性，并在减少资源需求的情况下取得创新性能的 - 人工智能是否帮助人类做出更好的决策？一种实验评估的方法论框架
基于数据驱动算法的人工智能在当今社会中已普遍应用，但在许多情况下，尤其是当风险较高时，人类仍然作出最终决策。本研究引入了一种新的方法框架，可用于在无额外假设的情况下实验性地回答这个问题。我们采用标准分类指标来衡量决策者做出正确决策的能力，通