标签
DualRes是一种紧凑的振荡状态空间模型，用于从振动数据诊断机器故障，在标签有限的情况下实现了最先进的性能，并降低了计算需求，适用于边缘部署。
论文证明，通过有监督的微调可以纠正大语言模型中的模式崩溃和过度离散，表明在数据充足时，多样性会收敛到目标分布，并得到了理论界限和实验的支持。
本文提出了一种框架，采用贝叶斯小波收缩和监督学习模型来处理和分类入侵鸟类物种的鸣叫，其中SVM在分类中达到了高准确性。
本文提出将'单元'作为机器学习中的显式原语，其中学习任务声明持久个体，而监督学习则特化为带有分词的单元条件响应法则。
本文提出了一种监督结构学习方法，用于训练代理管理的知识库，将存储视为模型，以提高检索准确率并减少检索增强生成系统中的动作使用。
本文提出了一种监督机器学习模型，用于利用Airbus机队数据估计直升机起飞时的重量，并详细说明了其符合监管要求的机载实现。
本研究将LLMs的零样本提示与监督基线进行比较，用于检测儿科临床就诊中的共享决策，发现监督模型优于零样本方法，并突出了评估管道中的关键数据泄漏问题。
本研究重新审视了基于似然的数据选择用于推理微调，表明其有效性取决于模型容量和训练时长，并观察到容量依赖性的'快速拟合/慢速增益'模式。
MIITA是一个内存诱导的推理时自适应框架，专为小语言模型的持续学习设计。它存储修正方向原型，并在推理时应用门控隐藏状态自适应，从而在不更新主干参数的情况下缓解灾难性遗忘。
本文研究了使用大语言模型（LLMs）和监督分类器从社交媒体文本中检测抑郁症的方法，提出了一种基于提示的嵌入方法以增强可解释性。在多个数据集上的实验表明，零样本LLMs在二分类任务中表现良好，但在细粒度严重程度分类上表现不佳；而基于LLM摘要嵌入的监督模型在多分类和有序分类任务中取得了更一致的表现。
本文研究使用监督学习构建一个预言机，用于决定何时在约束规划中应用计算昂贵的 Energetic Reasoning 传播器，展示了高预测准确性，并强调了关键的设计选择。
本文系统表征了线性模型与单量子比特混合态模型在二分类任务中的内在可解释性差异，揭示了量子模型学习的是超椭球而非超平面，并探讨了这一发现对归纳偏置及教学法的启示。
提出了部分裁决的基于设计的监督学习（PA-DSL）方法，该方法利用少量已裁决案例纠正噪声人工标签，从而消除自动化分类器的偏差，在实验中实现了名义覆盖度，并将均方根误差（RMSE）降低了10-17%。
本文整合了监督式政治量表分析的最新进展，探讨联合预测意识形态量表以及分类与回归之间的中间地带是否能提升性能。
本文认为，包括GPT-5在内的数据驱动机器学习系统无法仅通过缩放达到符号级别的逻辑推理，原因在于它们在区分逻辑结构与统计规律方面存在固有局限性。
本文提出了一种监督强化学习（SRL）框架，用于协调分布式能源资源，通过在演示数据上预训练并通过强化学习微调，以提高样本效率和性能。
介绍了NatureBench，这是一个跨学科基准测试，包含来自Nature论文的90个任务，用于测试AI编码代理。研究发现，最好的代理（Claude Opus 4.7）仅在17.8%的任务上超越了现有最佳水平，而且其成功往往是通过将科学简化为监督式机器学习，而非真正的发现来实现的。
本文采用逐层探测的方法，研究wav2vec 2.0和Whisper如何编码非裔美国人英语中的辅音丛简化现象，发现这两个模型均能区分简化形式和规范形式，并保留了底层塞音的线索。
本文建模了交互式定向广告如何通过可观察的用户交互泄露用户属性信息，并在合成数据上评估了贝叶斯、监督学习及其他攻击方法，同时讨论了作为防御手段的披露控制措施。
本文评估了监督机器学习/深度学习模型和提示大语言模型在自动进行布卢姆分类学试题分类时的跨数据集泛化能力，发现大语言模型在不同教育背景下具有更强的鲁棒性。