- 稳健的人员排班：缺勤预测需要多准确？
通过预测 - 优化方法评估人员排班的鲁棒性，以确定机器学习模型达到何种性能水平才能优于简单的非数据驱动的排班策略。
- 使用 CNN 的语音情感识别及其在数字化医疗中的应用案例
使用卷积神经网络（CNN) 对音频录音进行识别和情感标记，通过机器学习方法评估表情识别模型，并关注精确度、召回率和 F1 得分，以提高交流意图的识别能力。
- 等变神经网络的分离能力
我们提出了一个理论框架来研究具有点逐元激活的等变神经网络的分离能力，我们能够推导出一族神经网络对于给定架构的输入无法区分的显式描述，证明其不受所采用的非多项式激活函数选择的影响，我们证明了激活函数在可分性中的作用，所有非多项式激活函数，如 - 使用总变差距离的黑盒差分隐私审计
我们提出了一种实用的方法，使用一个未在训练中暴露给模型的小规模保留数据集来审计差分隐私（DP）保证。我们的方法利用得分函数（如训练期间使用的损失函数）估计使用训练数据子集和保留数据集获得的得分之间的总变差（TV）距离，在了解底层 DP 训练 - 重新评估机器学习模型的校准比较和改进方法
机器学习模型的校准至关重要，本文重新评估了最近文献中校准指标的报告情况，并提出了一种基于广义指标的校准度量选择和检测方法以及一种新的可视化校准和模型估计广义误差的方法。
- 等变神经网络与机器学习的哈伯参数
用具有扩展 Hubbard 泛函的密度泛函理论（DFT + U + V）来精确描述含有过渡金属或稀土元素的复杂材料，并基于等变神经网络的机器学习模型，通过捕捉系统的电子结构、局部化学环境和氧化态来预测 Hubbard 参数，从而加速材料的发 - 多目标数据驱动决策流程的差异化
基于多目标决策的方法在解决实际中的数据驱动优化问题方面表现出色。
- 使用核密度估计确定机器学习模型的领域：在材料性能预测中的应用
我们发展了一种新方法来评估模型的领域适用性，并展示了我们的方法在多个模型类型和材料性质数据集中提供准确和有意义的领域划分。我们的方法通过使用核密度估计计算特征空间中测试数据点与训练数据点的距离，并展示该距离为确定领域提供了有效的工具。我们展 - 一种新的可解释且稳健的基于 Web 的 AI 平台，用于钓鱼邮件检测
该研究提出了一种高性能的机器学习模型来解决钓鱼邮件的问题，并利用公共数据集进行验证。该模型在现实应用中表现出色，其 f1 得分达到 0.99，并集成了可解释的人工智能（XAI）以提高用户的信任度，提供实时基于 Web 的应用程序以帮助用户检 - 使用机器学习模型进行电影收入预测
用机器学习模型预测电影收益，通过收集、预处理、分析、选择模型、评估和改进的结构化方法，构建了一个准确预测电影收益的模型，使用线性回归、决策树、随机森林回归、Bagging、XGBoosting 和 Gradient Boosting 进行训 - IHC 在 H&E 整片图像分析中的应用：通过两阶段多模态双线性汇聚融合提高癌症分级
通过将免疫组化数据与 H&E 染色图像相结合，将其纳入机器学习模型中，可以提高癌症分级的预测结果。提出的框架在公共数据集 BCI 上取得了令人印象深刻的 0.953 的高准确率。
- 使用 CNN、k-nearest 邻居和支持向量机检测 5G 窄带干扰器
在基于机器学习的在线观测系统中，利用预训练的机器学习模型在物理层检测 5G 蜂窝网络中特定控制子通道的窄带干扰攻击，研究了卷积神经网络与支持向量机和 k 最近邻方法相结合使用主成分分析的性能差异。
- MBTI 类型的可解释性多标签分类
本文旨在确定最有效的机器学习模型，以准确地从 Reddit 帖子和 Kaggle 数据集中对 Myers-Briggs 类型指标（MBTI）进行分类。我们应用多标签分类和二元关联方法，并使用可解释的人工智能（XAI）方法突出流程和结果的透明 - 社区棕榈模型
棕榈油生产被确认为热带国家森林砍伐的主要原因之一，在供应链目标实现过程中，商品生产商和其他利益相关方需要及时了解供应区的土地覆盖动态数据。本研究提出了一种 “社区模型”，这是一个由许多不同利益相关方提供的汇总数据进行训练的机器学习模型，用于 - 通过建模模型计算对预测结果进行分解和编辑
这篇论文介绍了一个名为 component modeling 的任务，旨在解决机器学习模型如何将输入转化为预测的内部计算方式，并提出了 COAR 算法用于估计组件归因，证明其在模型编辑方面的有效性。
- 面向一般行为代理的基于数据驱动的目标识别设计
目标识别设计旨在在决策环境中作出有限的修改，以使更容易推测在该环境下行动的代理人的目标。我们通过使用数据驱动的方法和基于梯度的优化框架来对目标识别设计进行优化，以解决现有方法中的计算需求和对代理人决策的假设性限制，从而实现对决策环境的改进。
- DE-HNN：电路网表表示的有效神经模型
设计工具的运行时间随着芯片设计的复杂性增加而增长，这已成为一个瓶颈。我们提出了一种将网络列表表示为有向超图，并提出了一种用于有效学习（有向）超图的模型，与现有的图学习框架相比，DE-HNN 显著提高了设计优化工具的精确度。
- 短期太阳辐照度预测在数据传输约束下的应用
通过降维天空相机图像的标量特征以满足数据传输限制，我们提出了一种用于太阳辐照短期预测的数据简化机器学习模型。经过受控理论的启发，我们使用噪声输入反映未测量的变量，并证明其显著提高了模型的预测能力。利用来自 NREL Solar Radiat - 深度学习用于低线性物质吸附性能预测
借助机器学习模型和遗传算法，本研究在较快速的速度上成功预测、验证和评估了沸石的吸附性能、吸附位点及生成新的沸石结构。
- SSCAE -- 语义、句法和上下文感知的自然语言对抗样本生成器
提出了一种名为 SSCAE 的自然语言生成器模型，它是一种实用且高效的对抗性攻击模型，能够生成具有语义、句法和上下文感知的自然语言对抗性示例，通过比较实验和参数优化敏感性分析验证了该模型的有效性和优越性。