标签
This paper introduces Task-Conditional Flow Matching (TCFM), a framework for adapting multilingual text embedding models that selectively uses flow matching for translation tasks and other objectives for retrieval/classification. It achieves state-of-the-art results on the Indic Massive Text Embedding Benchmark.
本文介绍了MS-MLB，这是一个开放机器学习基准，利用公开的GSE17048队列，从全血RNA表达数据中对多发性硬化症进行分类。它提供了一个可重复、受泄漏控制的评估流程，并报告梯度提升（Gradient Boosting）为表现最佳的方法。
本文介绍了TS2TabPFN，这是一个将显式特征提取与TabPFN 2.5表格基础模型相结合用于时间序列分类和外部回归的框架。实验表明，它在TSER任务上优于最先进的模型，并在TSC任务上取得了具有竞争力的结果。
本文介绍了PatTree，一种基于图的多模态患者表示方法，能够自动对异构临床数据进行结构化处理，以用于医学分类任务。在ADNI-1队列上，它达到了最先进的性能，阿尔茨海默病分类的平衡准确率为98.5%。
本文提出了一种从社交媒体文本构建大规模俄语数据集的方法，用于检测自杀前兆和反自杀信号，包括标注指南和基线分类实验。
一位开发者分享了构建生产级 n8n AI 支持工作流的经验，强调分类优于生成、基于规则的过滤器以降低成本，以及将响应基于知识库以避免幻觉答案。
本文通过将词元嵌入建模为动力系统的轨迹，为区分LLM响应提供了理论保证，证明了误分类概率的指数衰减，并刻画了跨嵌入泛化。
本文评估了GRU、LSTM和Transformer编码器模型在基于车辆远程信息处理数据对2级自动驾驶系统进行分类时的性能，并引入了一个模拟真实数据损坏的鲁棒性评估框架。
一项针对4B模型分类任务的预注册消融实验表明，评估框架设计（规则位置、证据顺序、轮次结构）使准确率在60%到82%之间波动，说明糟糕的评估框架设计常常被误认为是模型能力不足。
一篇文章对使用AI进行软件开发的不同方法进行分类，从传统开发到vibe coding，旨在通过提供共同词汇来澄清争论。
Pangram Labs 推出 Pangram 4，这是一款最先进的 AI 文本检测模型，AUROC 达到 0.9916，误报率和漏报率极低，并且提高了对对抗性攻击的鲁棒性以及混合作者身份的检测能力。
本文介绍了一项大规模研究，将贝叶斯完全池化模型与频率学派基线方法在跨被试运动想象脑电图分类中进行比较，发现贝叶斯方法在可靠性上略有提升，但计算成本更高，实际收益有限。
AsymVerify是一种面向政治规避检测的置信门控验证系统，在SemEval-2026任务6中取得第二名，宏F1为0.85。它采用非对称双验证器设计来纠正低置信度预测，相比单次分类有所改进。
本文探讨了使用微调LLM识别英国警方事件日志中的脆弱性指标（精神健康问题、物质滥用、酒精依赖、无家可归），发现虽然LLM能够产生有意义的患病率估计，但需要谨慎的方法学支持，并且不适用于个人层面的决策。
本文介绍SEB-Cal，一种通过频谱特征（频带能量、熵、峰值主导性、相位稳定性）增强输出空间校准的方法，以改善时间序列分类中的选择性可靠性估计，在多个数据集上实现更高的Corr-AUROC和更低的[email protected]。
本文提出了一种用于软毛绒伴侣情感触觉分类的轻量级1D CNN框架，采用13.2k参数模型实现了75%的测试准确率，并提出了一种混合启发式-CNN推理流程用于嵌入式部署。
本文对多种深度学习架构进行了全面比较，包括视觉Transformer和图注意力网络，用于从多通道脑电图信号中自动检测睡眠呼吸暂停，使用在拓扑数据分析特征上训练的视觉Transformer获得了0.750的最佳测试AUC。
本文提出ADS-C，一种面向分类任务的反蒸馏防御方法。它可在证明保留top-1精度的同时，将学生模型性能降低高达29.7个百分点，且对教师模型实现零效用成本。
介绍“扩散责任”方法，使神经网络在严格遵守戴尔原则的同时，通过误差扩散和模误差路由实现竞争性学习，在图像分类和强化学习上取得良好效果，且无需权重传输。
本文提出了影响力匹配（Inf-Match）方法，这是一种数据集浓缩技术，通过学习一个紧凑的合成集，使其对收敛参数的影响与完整数据集相匹配，从而对齐最终训练结果。该方法在分类基准测试上达到了最先进的准确率，并在视觉-语言浓缩任务中优于强基线方法。