Fuzhou University

臭氧浓度预报改用两级分解与两尺度特征选择。原始序列先经ICEEMDAN分解，复杂度最高的IMF1再由VMD二次分解，其余子序列按模糊熵重构；随后用偏自相关函数与随机森林两级筛选输入维度，最后交给时间卷积网络预测。北京与上海日臭氧数据上，该组合模型的MAE、RMSE、SMAPE分别为0.53509、0.73346、0.8433%，在四组对比实验中指标最优。

臭氧浓度预报改用两级分解与两尺度特征选择。原始序列先经ICEEMDAN分解，复杂度最高的IMF1再由VMD二次分解，其余子序列按模糊熵重构；随后用偏自相关函数与随机森林两级筛选输入维度，最后交给时间卷积网络预测。北京与上海日臭氧数据上，该组合模型的MAE、RMSE、SMAPE分别为0.53509、0.73346、0.8433%，在四组对比实验中指标最优。

该工作提出 CARing，用残差量化把疾病名称与 ICD 本体路径压缩为组合式医学语义 ID（SID），经六项对齐任务、教师模型生成的语义增强语料与推理激活训练，使单个自回归模型能先推理再生成诊断 SID，并用覆盖奖励与多正例监督优化多标签覆盖；在 MIMIC-III 与 MIMIC-IV 上，其加权指标超过所有基于 EHR 训练的基线，并在每个报告的截断点取得最高召回，推理模式 R@30 分别为 46.04% 与 46.52%。

该工作提出 CARing，用残差量化把疾病名称与 ICD 本体路径压缩为组合式医学语义 ID（SID），经六项对齐任务、教师模型生成的语义增强语料与推理激活训练，使单个自回归模型能先推理再生成诊断 SID，并用覆盖奖励与多正例监督优化多标签覆盖；在 MIMIC-III 与 MIMIC-IV 上，其加权指标超过所有基于 EHR 训练的基线，并在每个报告的截断点取得最高召回，推理模式 R@30 分别为 46.04% 与 46.52%。

该研究用PTR-ToF-MS采集白牡丹白茶顶空挥发物指纹、用HPLC与氨基酸分析等定量非挥发代谢物，构建双流Transformer分别编码两种模态再融合做四分类，在120个样本（每等级30个，训练96、独立预测24）上取得独立预测集95.8%准确率（23/24）与0.958宏平均F1，仅1个特级样本被误判为一级，训练集内重复分层五折交叉验证平均准确率0.979±0.026，SHAP与注意力分析显示高等级茶与花香/甜香挥发物离子及较高氨基酸、可溶性糖相关，低等级茶与青草/木香挥发物离子及山奈酚相关标记相关。

该研究用PTR-ToF-MS采集白牡丹白茶顶空挥发物指纹、用HPLC与氨基酸分析等定量非挥发代谢物，构建双流Transformer分别编码两种模态再融合做四分类，在120个样本（每等级30个，训练96、独立预测24）上取得独立预测集95.8%准确率（23/24）与0.958宏平均F1，仅1个特级样本被误判为一级，训练集内重复分层五折交叉验证平均准确率0.979±0.026，SHAP与注意力分析显示高等级茶与花香/甜香挥发物离子及较高氨基酸、可溶性糖相关，低等级茶与青草/木香挥发物离子及山奈酚相关标记相关。