标签
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。
提出并行量子特征增强（PQFA），这是一种混合量子-经典框架，应用浅层变分量子电路来增强融合的多模态特征，以更少的参数超越经典基线。
本研究对Kolmogorov-Arnold网络（KANs）和多层感知器（MLPs）在结构化表格分类任务上进行了实证比较，发现KANs在统计上优于MLPs，但计算成本更高。
慕尼黑大学（LMU）的研究人员开发了一种基于量子玻尔兹曼机（Quantum Boltzmann Machine）的模型，用于从胸部X光片中检测肺炎。该模型仅使用不到9000个参数（而传统卷积神经网络（CNN）需要数百万个参数），准确率达到84%至86%，展示了量子机器学习在处理小规模医疗数据集方面的潜在优势。
本文提出了一种轻量级方法，通过将连续目标离散化为区间，将基于回归的隐式神经表示训练重新表述为分类任务，从而在科学数据压缩中实现灵活的分布建模，用于误差感知的不确定性估计。
提出HDE-Net，一种流形约束的深度神经网络，利用双曲空间更好地建模表格数据中的规则型结构，在TALENT-tiny-core基准上取得最先进性能，同时保持高效。
本文介绍了TrustX Agent Risk Classification Framework (ARC)，这是一个结构化的工具，用于对内创建的自主体AI系统进行风险分层，基于现有的治理框架，并包含一个十二维度评分标准、自主性级别和三层级治理输出。
本文从范畴论视角深入探讨迁移学习，提出深度流形理论，认为神经网络通过无属性数值计算学习关系结构，从而实现跨领域迁移，并解释了分类的内在逻辑。
Zer0Fit 提供了一个MCP服务器，该服务器封装了Google的TabFM和TimesFM基础模型，用于零样本预测、分类和回归任务，完全在本地运行。
普林斯顿博士后Shilong Liu提出自进化代理的三层分类体系：工件迭代优化、Agent Harness自我改进和无黄金答案的模型学习，系统梳理了相关概念和前沿工作。
GitHub发布了多语言仓库数据集，涵盖超过4000万个仓库和8000万条分类记录，提供了对非英语README、问题和拉取请求的洞察。韩语在问题文本中领先，而葡萄牙语在README中占据首位。
本文研究了长尾胸片X光分类中阈值化亚组漏诊的公平性问题，表明罕见标签公平性同时取决于发现、亚组和操作阈值，而不仅仅取决于标签频率或排名指标。
本文研究了在UCR Archive上使用FCN、Inception和ConvTran架构进行时间序列分类的知识蒸馏，展示了显著的参数减少和性能维持。
本文提出UASPL，一种将预测可靠性融入自步学习样本选择的方法，使用证据神经网络，提升了分类性能和可解释性。
本文提出了基于直觉模糊图嵌入的多视图学习随机向量函数链接模型（IFGRVFL-MV），该模型融合了直觉模糊集、图嵌入和多视图学习，以提高分类精度和对异常值的鲁棒性。在基准数据集上的实验表明，IFGRVFL-MV优于现有模型。
本文提出用一个小型开源模型的隐藏状态训练的轻量级确定性探针替代 Multi-Meta-RAG 中专有的 GPT-3.5 元数据提取器。该探针达到 90.9% 的准确率，优于 GPT-3.5（80.9%）和子串基线（88.0%），同时避免了允许列表漂移和 API 成本。