- 利用深度学习和合成数据增强改善眼部疾病诊断
提出了一种集成学习技术用于早期检测和管理糖尿病视网膜病变（DR），精度较之前的模型更高，对患者的早期检测和治疗有帮助，提高了患者的整体护理质量。
- 面向医疗保健的自动集成多模式机器学习
在医疗和健康领域中，机器学习的应用导致了大量诊断和预测模型的创建。然而，尽管这些模型取得了成功，但当前的方法通常仅使用来自单一模态的数据进行预测，而临床医生的决策则采用来自多个来源的各种信息。本文介绍了一种多模态框架 AutoPrognos - 异步量子强化学习中的可微分量子架构搜索
通过可微分量子架构搜索（DiffQAS）和异步强化学习方法，提出了一种无需广泛量子知识的量子强化学习模型设计方法，实现了性能与手动设计的电路架构相当的表现，确保稳定性并促进量子强化学习的广泛应用。
- CRASAR-U-DROIDs: 地理校正 sUAS 影像中建筑物对齐和损伤评估的大规模基准数据集
该研究介绍了一个由无人机获取的建筑损害评估和空间对齐的 CRASAR-U-DRIODs 数据集，旨在利用高分辨率的无人机影像建立机器学习和计算机视觉模型，解决灾害响应中的实际问题，并促进无人机与卫星影像之间的进一步研究。
- EuroCropsML：一种少样本作物类型分类的时间序列基准数据集
欧洲农作物时间序列遥感机器学习数据集，针对欧洲农田的少样本转国的作物类型分类算法进行比较和算法发展的研究支持，包含了 176 个类别的 706,683 个多类标记数据点，提供了 2021 年 Sentinel-2 L1C 数据的每个农田每年 - 科学发现的自动解释选择
自动推理是可解释人工智能（XAI）领域中的关键技术之一。本文提出了一种结合机器学习和自动推理的科学发现循环，用于生成和选择解释。我们基于社会学和认知科学的洞见提出了一个解释选择问题的分类法，该分类法包括现有概念并通过引入新属性进行扩展。
- 基于强化学习的自行车模型路径追踪与稳定化
使用强化学习方法对虚拟自行车模型进行路径跟踪和横向稳定性，通过输出转向角度以稳定自行车模型，并通过使用不同路径和测量方法对部署代理的性能进行评估。
- 在 Lanelet2 框架中从高清地图中生成训练数据
基于 HD 地图的机器学习训练数据在地图感知领域等方面正在快速普及和显示出有希望的结果，然而，目前还不存在一个标准化的 HD 地图框架，它能够支持基于地图的自动驾驶的所有部分，以及从地图数据生成训练标签。为了填补这一空白，本文提出了 lan - ICMLScalify: 针对高效低精度 LLM 训练的规模传播
低精度形式如 float8 已经被引入到机器学习加速硬件中，以改善大型语言模型训练和推断的计算效率。然而，由于需要复杂且有时脆弱的技术来匹配更高精度的训练准确性，ML 社区对其采用的速度放缓。本文提出了一种名为 Scalify 的端到端尺度 - 基于语法的大型语言模型的游戏描述生成
通过在自动游戏设计中引入大型语言模型（LLMs）的上下文学习，本研究提出了能够优化生成游戏描述的方法。实验结果表明，该方法在游戏描述的生成方面表现出色。
- 机器学习和凸约束在浅水方程子网通量建模中的应用
我们提出了一种结合机器学习和通量限制的子网格尺度建模方法，用于一维浅水方程的通量限制有限体积方法中。通过使用神经网络将保守目标方案的数值通量拟合到单调细网格离散化的粗网格平均值上，对子网格尺度组分进行参数化。为了确保正性保持和局部极大原理的 - ICML机器学习中不应假设数据生成分布的五个理由
机器学习研究中，数据生成概率分布的概念起到重要作用，而我们提出的替代框架关注有限总体而不是抽象分布，为建模采样提供了新的机会。
- 提高诠释性的早期潜在突破技术筛选：专利特定的分层注意力网络模型
利用专利特定的分层注意力网络（PatentHAN）模型，提出了一种用于预测专利文本中未来引用次数的可解释的机器学习方法，通过专利特定的预训练语言模型、分层网络结构和声明级自注意机制，在确保解释性的同时，对潜在突破技术进行早期筛选。
- IJCAI对于准周期时间序列来说，对比学习并非最优选择
通过引入非对比的方法 Distilled Embedding for Almost-Periodic Time Series (DEAPS)，该论文在准周期时间序列中展示出更好的性能，并提供了一个 Gradual Loss 函数来指导模型捕 - 利用异质时间序列预测汽车供应链中的干扰
通过构建包含多个多元时序数据集，利用与能力、库存、利用率和处理相关的特征，我们展示了如何预测一级供应链中的操作中断。我们提出了一种新的方法，将增强的 Attention Sequence to Sequence Deep Learning - 多模态机器学习在精神健康中的应用：数据、算法和挑战综述
机器学习在检测、诊断和治疗心理健康障碍方面的应用引起了越来越多的关注。
- 增强腹部创伤的高级人工智能框架：将三维分割与二维卷积神经网络和循环神经网络模型集成
应用人工智能和机器学习技术，开发了一种基于 3D 分割、2D 卷积神经网络（CNN）和循环神经网络（RNN）的高级模型来改善腹部创伤诊断的速度和准确性，通过处理腹部 CT 扫描提供实时精确评估，从而改善临床决策和患者预后，并通过全面实验评估 - 关于注意力层中排名的好处
注意力机制在机器学习中得到广泛应用，特别是在 Transformer 模型中。然而，在这种架构的所有实现中，注意力矩阵的秩和头的数量几乎以相同的方式进行扩展，缺乏理论上的正当性。本研究表明，注意力机制的秩和头的数量之间存在显著的权衡。通过引 - 时间序列预测能否自动化？基准和分析
该研究提出了一种综合评估和排名时间序列预测方法的基准方法，在机器学习和人工智能领域，通过比较分析 AutoGluon-Timeseries 和 sktime 两个时间序列预测框架的众多方法的性能，为选择最合适的预测方法提供了决策参考和工具。
- 利用声学分析和机器学习进行早期帕金森病识别
帕金森病是一种进行性神经退行性疾病，严重影响运动和非运动功能，包括语言。本文通过语音数据分析提供了帕金森病识别的综合方法评述，突出了机器学习和数据驱动方法的进展。我们讨论了数据清洗、转换、探索性数据分析等数据整理过程，为机器学习应用准备数据