检索

该研究基于2023年1月至2024年2月间5,000名客户的17,049条电商交易记录，构建了包含33个建模属性的客户级客户终身价值（CLV）预测流程，在Altair AI Studio（RapidMiner）中以统一的10折交叉验证比较了岭回归线性回归、随机森林、梯度提升树和前馈神经网络四种方法，并将预测值划分为2,763名低价值、1,252名中价值和985名高价值客户三个可操作分群。

该研究提出一种面向甚高频阵列雷达低仰角目标的快速二维波达方向估计方法：先利用均匀平面阵的方位角与俯仰角解耦特性，把二维角度估计问题转化为两个一维 DOA 估计问题，再用数字波束形成提取方位与俯仰维度的目标信息，最后用交替方向乘子法估计方位角和俯仰角，从而降低复杂度并避免运行中的特征值分解。

该工作提出 FedTrust-GNN，一个把差分隐私联邦学习与安全多方计算、采用 PBFT 共识的许可链、以及异构图注意力网络（HGAT）推断的动态信任分数结合起来的去中心化用户建模框架，并用信任加权鲁棒聚合（TWRA，结合范数裁剪与坐标中位数聚合）实现拜占庭容错；在 Federated EMNIST、Stack Overflow 与合成数据集（1 万至 10 万参与者）上报告 94.2% 准确率（与中心化模型相差 1.3% 以内）、标签翻转攻击成功率由 34% 降至 6.1%（降低 82%）、收敛稳定性提升 41%，以及 1200 TPS 与 2.3 秒最终性的区块链性能。

这篇综述系统梳理了基于人工智能、机器学习、深度学习和生成对抗网络（GAN）的自闭症谱系障碍（ASD）筛查研究，重点考察行为、遗传、环境、神经影像、生理与临床等多模态数据的融合方式以及GAN在合成数据生成与数据增强中的作用，并指出多模态AI相比单模态方法可能更全面地刻画ASD相关特征，但仍面临数据集有限且异质、类别不平衡、多模态整合困难、GAN训练不稳定、合成数据质量、隐私安全、可解释性、泛化性与外部临床验证不足等挑战。

该工作提出稳定性约束信息论特征选择（SCITFS），把条件熵、归一化互信息最大化与惩罚自助样本间特征排序方差的稳定性项整合进一个形式化目标，并用带单调性保证的贪心前向选择实现 O(B n^2 m d^4 + k n^2) 的计算复杂度；在八个基准数据集、五种分类器（SVM、随机森林、k-NN、XGBoost、逻辑回归）上，SCITFS 优于信息增益、互信息、mRMR、ReliefF、Fisher Score 与 JMI，SVM 平均准确率提升 3.7%、随机森林提升 4.2%，并实现 92.3% 的特征缩减而保持性能；Friedman 检验（χ² = 127.4，p < 0.001）与带 Bonferroni 校正的 Wilcoxon 符号秩检

该研究提出一个基于URL特征与主机特征双分支、并用抗泄漏的Out-Of-Fold堆叠机制融合的混合机器学习钓鱼网站检测系统，在包含11,055个实例、17个特征的UCI Phishing Websites数据集上取得92.67%的准确率和0.9788的ROC-AUC，优于单一特征集模型，交叉验证显示低方差的泛化表现，特征重要性分析显示基于交互的元特征对分类精度贡献显著。

本文提出 Ridezy——一个去中心化信任架构，用边缘人工智能与物联网（AIIoT）持续监测车道保持、限速合规、制动行为和交通标志遵守等行为指标，把行为摘要放在链下处理、仅将加密哈希、可信度更新与支付记录锚定到 Polygon 智能合约，并与传统评分制、纯 AI 架构、纯区块链架构三种信任模型在行为检测性能、端到端时延、成本效率、吞吐量、信誉稳定性、防篡改以及组件消融等维度上进行比较，结果显示该混合架构在保持低单次行程链上成本并通过批量链上提交实现可扩展运行的同时，取得更高的行为保真度与更强的信任保证。

该工作提出可解释的 Fuzzy Rank-H2O AutoML 框架，用模糊排序特征选择（FRFS）综合统计显著性、信息增益、临床重要性与不确定性挑选预测因子，再由 H2O AutoML 自动构建集成模型，并用 SHAP 与 LIME 提供全局与患者级解释；在两个公开宫颈癌数据集上以分层五折交叉验证评估，每折仅对训练集施加 SMOTE 以避免信息泄漏，报告的最高准确率为 95.1%、AUC 为 98.1%，优于传统机器学习模型与基线 H2O AutoML 框架。

NVIDIA 团队以一篇经验总结文章描述了开源项目 TensorRT Model Connect 的构建方式：该项目用 C++ 在 TensorRT 之上提供模型家族自有的参考实现，把 Hugging Face 或本地 checkpoint 转换为带版本的 .bundle 产物并暴露面向任务的 C++ API，覆盖文本、视觉、音频、扩散、分割、嵌入、预测等工作负载；截至 2026 年 7 月 29 日的公开发布对比，项目覆盖 128 个模型家族并在 NVIDIA GB300 上测试，团队据此提出以并行可分解任务、模型家族隔离、可逆变更和 GPU 支撑的自动化验证为核心的“AI 原生”工程做法。

谷歌研究（Chih-wei Hsu 与 Moonkyung Ryu）提出 Diffusion Controller 框架，把扩散模型的去噪过程重新表述为平滑的连续控制问题，用一个轻量“转向阻尼器”网络在冻结基座模型的前提下动态修正生成轨迹；在 Stable Diffusion v1.4 骨干上，他们用 SFT、RWL 和 PPO 三种微调方式与 HPS-v2 人类偏好评分进行评估，报告称该框架在白盒与灰盒环境下均优于对应基线，灰盒版本在 SFT 与 RWL 路径上的 HPS-v2 胜率超过 LoRA 且改动的内部层更少，白盒版本对基线取得 90% 胜率，并可通过单一推理时引导强度参数在线调节约束强度。

NVIDIA 发布 VSS Blueprint 3.3，新增 Build Vision Agent 技能（vss-build-vision-ai）与自适应高效视频采样（Adaptive EVS）：前者让编码智能体从自然语言请求出发，复用四个已验证配置档并只计算最小增量，在双 GPU RTX PRO 6000 Blackwell 主机上把橙汁灌装线溢出告警智能体在 30 分钟内交付为可预览部署；后者在 RTX PRO 6000 Blackwell 上运行 Cosmos 3 Super FP8 时，把告警上下文延迟从 1,021 ms 降到 844 ms（17%），并发实时 VLM 流从 13 提升到 19（46%），并把 60 分钟视频摘要的 VLM 输入 token 减少 80%

伯克曼·克莱因中心举办的一场小组讨论中，Alex Pascal 提出“我们想从 AI 得到什么”，Jeff Dunn、Amit Goldenberg 与 Avijit Ghosh 分别就 AI 的双刃性、从工具到有名字有人格的完整智能体的连续谱，以及当前“基准刷分”式评估的不足展开讨论，Ghosh 建议建立同时衡量系统行为与对人的影响的评估体系，并让公众参与报告与评估，例如以“60 天内修复所报告问题则免于责任”的方式激励企业回应反馈。