classification

提出了一种基于量子粒球的k近邻框架QGB-W$k$NN，该框架增强了机器学习中的分类效率和对噪声的鲁棒性。

论文介绍了PersonaLink，一种无需训练的方法，它将用户历史蒸馏为有界人格，在分类任务上匹配检索，但在回归任务上不匹配，突显了任务类型的不对称性。

本文介绍了PolERo数据集，该数据集包含从罗马尼亚总统演讲记录中提取的3,574个标注问答对，用于研究政治回避。研究评估了多种NLP分类模型，并探讨了跨语言迁移，发现微调编码器表现具有竞争力，而模糊回避类别则具有挑战性。

本文提出多分支神经决策树与自适应剪枝 (MBNDT)，这是一种决策树模型，通过自适应多路分裂在深度约束下提高分类准确率，在 OpenML 基准测试中取得优异性能。

本文提出一种使用三轴IMU传感器和集成学习来分类帕金森病严重程度的比较系统，其中LightGBM在各项指标上以约97%的准确率实现最佳性能。

一个LLM评判者在评估中持续返回固定的置信分数0.72，但切换到分类标签改善了分数分布，表明模型在分类方面比数值估计更适合评估。

本文提出了一种黑箱方法，用于LLM安全分类，该方法利用动力系统和Koopman算子对提示-响应嵌入动态进行建模，以检测不安全输出。

本文讨论了一篇新论文，该论文主张目前将人类祖先分为人属、南方古猿属和傍人属等属的分类已经过时，需要根据新的化石和遗传证据进行修订。

本研究论文比较了各种机器学习分类器用于心脏病预测，发现支持向量机 (SVM) 和 Simple Cart 分别在 UCI 和 Kaggle 数据集上表现最佳，突显了机器学习在早期临床诊断中的潜力。

ChiroEcho是一个深度学习框架，通过结合物种和属的预测与地理数据，扩展了自动化蝙蝠发声分类，将欧洲蝙蝠物种的操作覆盖率从73%提高到85%。

本文对个性化代理的记忆策略分类进行受控审计，表明在诸如Llama-3.3-70B和GPT-OSS-120B等模型上，显式状态提取并未在冻结反事实数据集上显著提高策略准确性。

本文介绍了一种数据驱动框架，结合监督分类和生成建模，用于重建多稳定动态系统中的分离子，利用神经网络和基于评分的生成模型来近似吸引盆的边界。

对GPT-4o-mini和GPT-4o在事件分类系统上的评估显示GPT-4o表现更好，但两个模型的置信度分数在实际决策中都不可靠。

Google AI Devs 利用Gemini 3.7 Flash从历史植物PDF中提取和分类植物，并通过交互式可视化进行演示。

本文提出了一种鲁棒双模型协作随机向量函数链网络（KRPRVFL），通过利用核风险敏感均值p幂准则和协作学习，以在存在噪声标签和离群点的情况下提高分类准确性。

本文通过粒球计算提出了一种自适应且高效的KNN分类器，利用粒球邻域动态确定k值，在提高准确性和鲁棒性的同时降低了计算成本。该方法已在GitHub上开源。

本文介绍了GENADA，一种生成式对抗攻击框架，能够在前向传播中一次性生成针对时间序列分类器的欺骗性扰动，在降低推理时间的同时，实现了与迭代基线方法相当的攻击质量。

本文提出一种新的非对称鲁棒有界稀疏平滑（aR）损失函数，用于l1范数惩罚的几何孪生支持向量机（aRSGTSVM），以处理带有标签噪声和特征噪声的分类与回归任务，实现特征选择并提高鲁棒性。在合成数据集、UCI数据集以及中国股市指数跟踪上的实验表明了其优越性。

本文介绍了LabelFusion-TS，它融合了微调后的RoBERTa编码器、提示式LLM以及基于市场数据的时间序列Transformer，将美联储沟通文本分类为鹰派、鸽派或中性。该融合系统达到了70.2%的加权F1分数，优于零样本LLM，并初步证明市场时间序列有助于金融文本分类。

本文比较了LLMs和嵌入模型在37个任务上的表现，发现尽管总体性能相似，但嵌入模型更便宜且更快，支持分工以提高成本效率。