- 人工智能教育公平性挑战和需求专家观点
本研究通过采用匿名调查和专家面谈的方式研究了如何在教育人工智能应用程序的开发过程中考虑公平性的挑战和需求，以及对数据挖掘和机器学习的推动作用，为实现更公平的教育人工智能应用程序提出了具体方向。
- AAAI利用信息理论量化特征对总体差异的贡献
研究发现，对于机器学习算法存在偏见的情况，使用局部信息分解技术可以帮助我们从信息论的角度去 quantify 每一项特征对于已观察到的不平等问题的潜在贡献较好地解释偏见的来源。
- ICLR评估 Fourier 神经算子的对抗鲁棒性
本研究提供了首次关于科学发现模型对抗鲁棒性的研究，通过在指定模型上生成敌对性的样本数据，我们发现模型的鲁棒性随着扰动水平的增加而迅速下降，这为评估基于机器学习的科学发现模型提供了敏感性分析工具和评估原则。
- 使用图神经网络进行语句级漏洞检测 (LineVD)
本研究提出了一种新的深度学习框架 LineVD，通过图神经网络和基于 Transformer 的模型识别程序的特定代码行，取得了 105％的 F1 得分提高，扩展了现有方法在软件漏洞检测方面的应用。
- 媒体倾向具有传染性
本文研究了美国全国有线电视新闻的党派内容对美国报纸在地方报道上的影响，并提供了一种基于机器学习的全新有线新闻倾向度量方法。在对约 2400 万篇当地报纸文章进行了应用后，我们发现，当地报纸文章更加类似于全国有线新闻网 FNC 的文字记录（反 - 利用机器学习发现 Li-ion 电池超离子固态电解质
本研究开发了高通量筛选和机器学习代理模型的平台，通过考虑 20,237 种含锂材料的化学描述符和结构特性来寻找超离子型 Li 固态电解质，并成功发现了六个潜在的超离子型 Li 固态电解质。
- AAAIElectra：基于条件生成模型的谓词感知查询近似
本篇论文提出了一种基于条件生成模型的谓词感知式近似查询处理系统 ELECTRA，能够在具有大量谓词的分析查询中提供更低的 AQP 误差。
- 基于机器学习的一次性群体决策聚合中的元认知特征利用
研究使用元认知信息和机器学习方法来对众包决策问题进行特征表示和预测，以提高聚合结果的准确性。使用提出的方法，成功率比传统的规则聚合方法提高了 20％至 35％。
- ICML利用神经常微分方程通过 Kaya 恒等式进行排放预测
通过 Kaya 恒等式，我们使用神经 ODE 模型预测与碳排放有关的多个指标在国家层面上的演变，包括人口、人均 GDP、GDP 能源强度和能源的碳强度，并将该模型与基准统计模型 - VAR - 进行了比较，并获得了良好的表现。我们得出结论， - KDDKYC 和 ESG 合规的不良媒体挖掘
本文介绍了一种基于机器学习的自动化系统，实现了对实时和批量的负面媒体进行搜索，旨在进行高精度的非金融风险筛查。该系统采用四个角度 - 风险领域相关性，搜索查询相关性，负面情感分析和风险编码，为用户提供实时的信息监控和更新。
- 贝叶斯学习规则
本文说明了许多机器学习算法都是贝叶斯学习规则的特定实例，该规则源于贝叶斯原则，从优化、深度学习和图形模型等领域得出一系列算法。我们的工作不仅统一，泛化和改进了现有算法，而且还帮助我们设计新的算法。
- KDD机器学习诱发的脓毒症过度诊断的量化研究
通过集成预测模型标签与簇医学轨迹的方法，本研究开发了一种创新的方法，可以在模型开发期间预测性的检测到潜在的过度诊断病例，以提供安全的计算机诊断工具使用指南。
- 面向快速和可扩展的交流潮流最优控制学习的空间网络分解
提出了一种新颖的机器学习方法，用于预测 AC-OPF 解决方案，该方法具有快速可扩展的培训，通过电力网络的空间分解来学习预测区域的机器学习模型，实验结果证明了该方法的潜力和优越性。
- AAAI利用遥感数据和机器学习预测森林火灾
本研究提出了一种基于机器学习的、利用遥感数据预测印度尼西亚森林火灾的新方法，其对近年来由森林砍伐和气候变化导致的森林火灾有着显著的影响并提出了可靠且高效的预测方案。
- 基于超像素导向的医学图像分割标签软化
本研究提出了一种新的超像素标签软化方法来处理医学图像分割中的不确定性标注问题，将软化后的标签与硬标签一起用于训练分割模型，在 3D 和 2D 医学图像中均取得了相对于基线和对照方法的优异分割表现。
- KDDBusTr：从实时交通预测公交车行驶时间
本文介绍了 BusTr，一个基于机器学习的模型，将交通预测转化为公交车延误预测，现已被 Google 地图用于为大部分世界公共交通系统提供服务，在没有官方实时公交跟踪的情况下。我们演示了我们的神经序列模型提高了训练稳定性和性能（MAPE 低 - 具有（某些）无效工具的有效因果推断
本文提出一种方法，使用多个工具变量估计器计算最可能的因果效应，从而在不依赖于「排除假设」的情况下进行一致的工具变量估计。
- 利用神经网络波函数、相关度和能级光谱细致的量子多体求解器揭示的 Dirac 型节点自旋液体
采用机器学习技术的量子态表示，成功地用最先进的计算方案识别了一个存在于自旋 - 1/2 平方晶矩阵上的自旋液体相，该相具有间隙分数化自旋 - 1/2 Dirac 型自旋子，与杯酸盐 d 波超导体的激发相似，揭示了一个未被探索的临界行为，并显 - 可扩展的隐私保护分布式学习
使用多方同态加密技术实现，SPINDLE 是第一种覆盖完整机器学习工作流程的，可进行联合梯度下降执行和模型评估，并在保护数据和模型机密性方面具有无侵入者的被动攻击模型，为分布式数据集上的广义线性模型的培训和评估提供了一种高效保证隐私的解决方 - 使用循环神经网络预测光纤光学中的超快非线性动态
使用循环神经网络的机器学习模型，不需要直接数值求解传输模型，就可以准确地预测光纤中高阶孤子压缩和超连续谱的时频演化，从而为脉冲压缩和宽带光源的优化提供了新方案。