AI 核心

872 条内容

NVIDIA Technical Blog 2026年10月1日
这篇 NVIDIA 教程以 Cache-Aware FastConformer-RNNT 多语种流式 ASR 模型为基础，在 SADA 2022 的 Najdi 与 Hijazi 沙特方言数据上做最小化筛选（保留 103,559/125,490 条、133.7 小时、82.5%）、按 90% 沙特语音加 7% 英语与 3% 阿拉伯语 FLEURS 的加权回放混合、时长分桶批处理，并在两块 GPU 上训练 12,000 步约 4.5 小时，使 Najdi+Hijazi 测试集 WER 从 55.05% 降到 29.96%、CER 从 31.63% 降到 12.18%，全 SADA WER 从 58.84% 降到 35.61%，同时 FLEURS 英语 WER 从 11.04% 降到 10.42%、阿拉伯
这篇 NVIDIA 教程以 Cache-Aware FastConformer-RNNT 多语种流式 ASR 模型为基础，在 SADA 2022 的 Najdi 与 Hijazi 沙特方言数据上做最小化筛选（保留 103,559/125,490 条、133.7 小时、82.5%）、按 90% 沙特语音加 7% 英语与 3% 阿拉伯语 FLEURS 的加权回放混合、时长分桶批处理，并在两块 GPU 上训练 12,000 步约 4.5 小时，使 Najdi+Hijazi 测试集 WER 从 55.05% 降到 29.96%、CER 从 31.63% 降到 12.18%，全 SADA WER 从 58.84% 降到 35.61%，同时 FLEURS 英语 WER 从 11.04% 降到 10.42%、阿拉伯
NVIDIA 用 SADA 与 FLEURS 微调 Nemotron 3.5 ASR，将沙特 Najdi 与 Hijazi 方言 WER 从 55.05% 降至 29.96%，英语同时小幅改善
这篇 NVIDIA 教程以 Cache-Aware FastConformer-RNNT 多语种流式 ASR 模型为基础，在 SADA 2022 的 Najdi 与 Hijazi 沙特方言数据上做最小化筛选（保留 103,559/125,490 条、133.7 小时、82.5%）、按 90% 沙特语音加 7% 英语与 3% 阿拉伯语 FLEURS 的加权回放混合、时长分桶批处理，并在两块 GPU 上训练 12,000 步约 4.5 小时，使 Najdi+Hijazi 测试集 WER 从 55.05% 降到 29.96%、CER 从 31.63% 降到 12.18%，全 SADA WER 从 58.84% 降到 35.61%，同时 FLEURS 英语 WER 从 11.04% 降到 10.42%、阿拉伯
这篇 NVIDIA 教程以 Cache-Aware FastConformer-RNNT 多语种流式 ASR 模型为基础，在 SADA 2022 的 Najdi 与 Hijazi 沙特方言数据上做最小化筛选（保留 103,559/125,490 条、133.7 小时、82.5%）、按 90% 沙特语音加 7% 英语与 3% 阿拉伯语 FLEURS 的加权回放混合、时长分桶批处理，并在两块 GPU 上训练 12,000 步约 4.5 小时，使 Najdi+Hijazi 测试集 WER 从 55.05% 降到 29.96%、CER 从 31.63% 降到 12.18%，全 SADA WER 从 58.84% 降到 35.61%，同时 FLEURS 英语 WER 从 11.04% 降到 10.42%、阿拉伯
DOAJ (DOAJ: Directory of Open Access Journals) 2026年10月1日
该研究以科学计量方法分析Scopus与Web of Science中经PRISMA筛选后保留的269篇原始研究论文，发现决策仪表盘中可解释AI研究的知识核心由可解释AI、决策与深度学习三个概念构成，主题随时间从神经网络、支持向量机等经典机器学习转向可视化深度学习、可视化技术、信任与智能决策支持系统，并呈现从技术中心向以人与决策为中心演进的趋势。
该研究以科学计量方法分析Scopus与Web of Science中经PRISMA筛选后保留的269篇原始研究论文，发现决策仪表盘中可解释AI研究的知识核心由可解释AI、决策与深度学习三个概念构成，主题随时间从神经网络、支持向量机等经典机器学习转向可视化深度学习、可视化技术、信任与智能决策支持系统，并呈现从技术中心向以人与决策为中心演进的趋势。
对269篇文献的科学计量分析显示，决策仪表盘中的可解释AI研究正从算法中心转向以人与决策为中心
该研究以科学计量方法分析Scopus与Web of Science中经PRISMA筛选后保留的269篇原始研究论文，发现决策仪表盘中可解释AI研究的知识核心由可解释AI、决策与深度学习三个概念构成，主题随时间从神经网络、支持向量机等经典机器学习转向可视化深度学习、可视化技术、信任与智能决策支持系统，并呈现从技术中心向以人与决策为中心演进的趋势。
该研究以科学计量方法分析Scopus与Web of Science中经PRISMA筛选后保留的269篇原始研究论文，发现决策仪表盘中可解释AI研究的知识核心由可解释AI、决策与深度学习三个概念构成，主题随时间从神经网络、支持向量机等经典机器学习转向可视化深度学习、可视化技术、信任与智能决策支持系统，并呈现从技术中心向以人与决策为中心演进的趋势。
DOAJ (DOAJ: Directory of Open Access Journals) 2026年10月1日
这篇题为《文献计量分析与共词映射：知识图谱领域》的文章以文献计量与共词分析为方法，围绕知识图谱研究领域组织并梳理了相关文献，其参考文献涵盖知识图谱的定义与综述、嵌入方法、补全与精化、领域专用图谱、教育等应用，以及科学计量与共词分析方法本身，但本次可获取的文本仅为参考文献列表，正文、图表与具体计量结果未包含在内。
这篇题为《文献计量分析与共词映射：知识图谱领域》的文章以文献计量与共词分析为方法，围绕知识图谱研究领域组织并梳理了相关文献，其参考文献涵盖知识图谱的定义与综述、嵌入方法、补全与精化、领域专用图谱、教育等应用，以及科学计量与共词分析方法本身，但本次可获取的文本仅为参考文献列表，正文、图表与具体计量结果未包含在内。
知识图谱领域的文献计量与共词映射：一篇综述性研究梳理了该领域的知识基础与主题结构
这篇题为《文献计量分析与共词映射：知识图谱领域》的文章以文献计量与共词分析为方法，围绕知识图谱研究领域组织并梳理了相关文献，其参考文献涵盖知识图谱的定义与综述、嵌入方法、补全与精化、领域专用图谱、教育等应用，以及科学计量与共词分析方法本身，但本次可获取的文本仅为参考文献列表，正文、图表与具体计量结果未包含在内。
这篇题为《文献计量分析与共词映射：知识图谱领域》的文章以文献计量与共词分析为方法，围绕知识图谱研究领域组织并梳理了相关文献，其参考文献涵盖知识图谱的定义与综述、嵌入方法、补全与精化、领域专用图谱、教育等应用，以及科学计量与共词分析方法本身，但本次可获取的文本仅为参考文献列表，正文、图表与具体计量结果未包含在内。
European Journal Pharmaceutical and Medical Research 2026年10月1日
这篇综述围绕个性化医疗这一目标，梳理了人工智能在生物标志物发现、疾病亚型划分、风险预测、早期诊断、治疗反应建模、药物基因组学、数字病理、纵向监测和临床决策支持等领域的应用，并讨论了支撑个性化的数据类型、概念基础、尚未解决的伦理与法律问题，以及从研究潜力走向临床实践之间的障碍，同时强调人工智能并非取代医生的决策，而是帮助医生获取超出个人即时记忆容量的信息。
这篇综述围绕个性化医疗这一目标，梳理了人工智能在生物标志物发现、疾病亚型划分、风险预测、早期诊断、治疗反应建模、药物基因组学、数字病理、纵向监测和临床决策支持等领域的应用，并讨论了支撑个性化的数据类型、概念基础、尚未解决的伦理与法律问题，以及从研究潜力走向临床实践之间的障碍，同时强调人工智能并非取代医生的决策，而是帮助医生获取超出个人即时记忆容量的信息。
这篇综述梳理人工智能在个性化医疗中的角色：从生物标志物发现到临床决策支持，并指出伦理法律与落地障碍仍未解决
这篇综述围绕个性化医疗这一目标，梳理了人工智能在生物标志物发现、疾病亚型划分、风险预测、早期诊断、治疗反应建模、药物基因组学、数字病理、纵向监测和临床决策支持等领域的应用，并讨论了支撑个性化的数据类型、概念基础、尚未解决的伦理与法律问题，以及从研究潜力走向临床实践之间的障碍，同时强调人工智能并非取代医生的决策，而是帮助医生获取超出个人即时记忆容量的信息。
这篇综述围绕个性化医疗这一目标，梳理了人工智能在生物标志物发现、疾病亚型划分、风险预测、早期诊断、治疗反应建模、药物基因组学、数字病理、纵向监测和临床决策支持等领域的应用，并讨论了支撑个性化的数据类型、概念基础、尚未解决的伦理与法律问题，以及从研究潜力走向临床实践之间的障碍，同时强调人工智能并非取代医生的决策，而是帮助医生获取超出个人即时记忆容量的信息。
发表出处待核验 2026年10月1日
这篇评论在回应Stein等人关于精神病学大数据批判性综述的基础上，提出精神病学已从“全是理论没有数据”摆向“全是数据没有理论”，并主张三条改进方向：在使用大数据时更多考虑理论、发展个体内（idiographic）精神病学、以及将生成式人工智能整合进精神科研究与临床实践。
这篇评论在回应Stein等人关于精神病学大数据批判性综述的基础上，提出精神病学已从“全是理论没有数据”摆向“全是数据没有理论”，并主张三条改进方向：在使用大数据时更多考虑理论、发展个体内（idiographic）精神病学、以及将生成式人工智能整合进精神科研究与临床实践。
作者主张精神病学大数据需转向理论驱动、个体内密集采样与生成式AI整合，以弥补当前无理论预测研究的不足
这篇评论在回应Stein等人关于精神病学大数据批判性综述的基础上，提出精神病学已从“全是理论没有数据”摆向“全是数据没有理论”，并主张三条改进方向：在使用大数据时更多考虑理论、发展个体内（idiographic）精神病学、以及将生成式人工智能整合进精神科研究与临床实践。
这篇评论在回应Stein等人关于精神病学大数据批判性综述的基础上，提出精神病学已从“全是理论没有数据”摆向“全是数据没有理论”，并主张三条改进方向：在使用大数据时更多考虑理论、发展个体内（idiographic）精神病学、以及将生成式人工智能整合进精神科研究与临床实践。
发表出处待核验 2026年10月1日
该研究用布达佩斯M4地铁2024年一年、实际可用216天、5:00至24:00的小时级进站客流数据，在限定单站单方向（Kálvin tér至Kelenföld vasútállomás）和6小时预测窗口下，公平比较了内在可解释的NeuralProphet与用SHAP做事后解释的黑箱XGBoost，结果显示XGBoost预测更准（MAE 91.0753对230.2803，RMSE 144.7094对363.2115，R² 0.9600对0.7896），且SHAP给出的时间特征重要性与NeuralProphet的季节性分量及交通领域专家知识相符。
该研究用布达佩斯M4地铁2024年一年、实际可用216天、5:00至24:00的小时级进站客流数据，在限定单站单方向（Kálvin tér至Kelenföld vasútállomás）和6小时预测窗口下，公平比较了内在可解释的NeuralProphet与用SHAP做事后解释的黑箱XGBoost，结果显示XGBoost预测更准（MAE 91.0753对230.2803，RMSE 144.7094对363.2115，R² 0.9600对0.7896），且SHAP给出的时间特征重要性与NeuralProphet的季节性分量及交通领域专家知识相符。
布达佩斯M4地铁需求预测中XGBoost精度超过NeuralProphet，且SHAP解释与专家认知一致
该研究用布达佩斯M4地铁2024年一年、实际可用216天、5:00至24:00的小时级进站客流数据，在限定单站单方向（Kálvin tér至Kelenföld vasútállomás）和6小时预测窗口下，公平比较了内在可解释的NeuralProphet与用SHAP做事后解释的黑箱XGBoost，结果显示XGBoost预测更准（MAE 91.0753对230.2803，RMSE 144.7094对363.2115，R² 0.9600对0.7896），且SHAP给出的时间特征重要性与NeuralProphet的季节性分量及交通领域专家知识相符。
该研究用布达佩斯M4地铁2024年一年、实际可用216天、5:00至24:00的小时级进站客流数据，在限定单站单方向（Kálvin tér至Kelenföld vasútállomás）和6小时预测窗口下，公平比较了内在可解释的NeuralProphet与用SHAP做事后解释的黑箱XGBoost，结果显示XGBoost预测更准（MAE 91.0753对230.2803，RMSE 144.7094对363.2115，R² 0.9600对0.7896），且SHAP给出的时间特征重要性与NeuralProphet的季节性分量及交通领域专家知识相符。
发表出处待核验 2026年10月1日
该研究以先前训练的时序卷积网络抹香鲸咔嗒声序列检测器为起点，在四个来源（BAL、CS、ICE、MED）上比较四种迁移方案——跨数据集基线评估、仅用500条目标录音从头训练、预训练后随机微调、预训练后主动（基于不确定性）微调——发现预训练模型在未见数据上性能下降，但用500条目标录音微调可有效缓解下降，主动微调在所有目标集上持续优于其他方案，不过相对随机微调的提升有限。
该研究以先前训练的时序卷积网络抹香鲸咔嗒声序列检测器为起点，在四个来源（BAL、CS、ICE、MED）上比较四种迁移方案——跨数据集基线评估、仅用500条目标录音从头训练、预训练后随机微调、预训练后主动（基于不确定性）微调——发现预训练模型在未见数据上性能下降，但用500条目标录音微调可有效缓解下降，主动微调在所有目标集上持续优于其他方案，不过相对随机微调的提升有限。
在未见数据集上，用多样数据预训练再以500条目标录音微调，把抹香鲸咔嗒声检测器的AUC从最低0.60提升到0.78–0.97
该研究以先前训练的时序卷积网络抹香鲸咔嗒声序列检测器为起点，在四个来源（BAL、CS、ICE、MED）上比较四种迁移方案——跨数据集基线评估、仅用500条目标录音从头训练、预训练后随机微调、预训练后主动（基于不确定性）微调——发现预训练模型在未见数据上性能下降，但用500条目标录音微调可有效缓解下降，主动微调在所有目标集上持续优于其他方案，不过相对随机微调的提升有限。
该研究以先前训练的时序卷积网络抹香鲸咔嗒声序列检测器为起点，在四个来源（BAL、CS、ICE、MED）上比较四种迁移方案——跨数据集基线评估、仅用500条目标录音从头训练、预训练后随机微调、预训练后主动（基于不确定性）微调——发现预训练模型在未见数据上性能下降，但用500条目标录音微调可有效缓解下降，主动微调在所有目标集上持续优于其他方案，不过相对随机微调的提升有限。
University of Twente Research Information 2026年10月1日
该研究以 Multimodal Activity Sensing Dataset（MASD，27 类活动、20 名参与者）为对象，检验环境 WiFi 信道状态信息（CSI）能否替代体戴惯性测量单元（IMU）做人体活动识别；作者发现数据集发布的机器学习就绪文件实际暴露的是退化的有符号 CSI 表示而非文档所述的幅度，于是从原始复数 CSI 重建幅度与天线比多普勒、恢复被省略的参与者标识，并在受控多种子、主体独立评估下重新评测，结果显示 WiFi 系统性偏弱：所试每种骨干网络在 27 类上加权准确率仅 6-11%，而 IMU 为 73-80%，27 类活动中 0 类达到可用准确率；修正表示确有作用（在简单子集上提升 14 个百分点），但 WiFi 仍
该研究以 Multimodal Activity Sensing Dataset（MASD，27 类活动、20 名参与者）为对象，检验环境 WiFi 信道状态信息（CSI）能否替代体戴惯性测量单元（IMU）做人体活动识别；作者发现数据集发布的机器学习就绪文件实际暴露的是退化的有符号 CSI 表示而非文档所述的幅度，于是从原始复数 CSI 重建幅度与天线比多普勒、恢复被省略的参与者标识，并在受控多种子、主体独立评估下重新评测，结果显示 WiFi 系统性偏弱：所试每种骨干网络在 27 类上加权准确率仅 6-11%，而 IMU 为 73-80%，27 类活动中 0 类达到可用准确率；修正表示确有作用（在简单子集上提升 14 个百分点），但 WiFi 仍
WiFi CSI 无法替代可穿戴 IMU：27 类活动识别中 WiFi 加权准确率仅 6-11%，IMU 达 73-80%
该研究以 Multimodal Activity Sensing Dataset（MASD，27 类活动、20 名参与者）为对象，检验环境 WiFi 信道状态信息（CSI）能否替代体戴惯性测量单元（IMU）做人体活动识别；作者发现数据集发布的机器学习就绪文件实际暴露的是退化的有符号 CSI 表示而非文档所述的幅度，于是从原始复数 CSI 重建幅度与天线比多普勒、恢复被省略的参与者标识，并在受控多种子、主体独立评估下重新评测，结果显示 WiFi 系统性偏弱：所试每种骨干网络在 27 类上加权准确率仅 6-11%，而 IMU 为 73-80%，27 类活动中 0 类达到可用准确率；修正表示确有作用（在简单子集上提升 14 个百分点），但 WiFi 仍
该研究以 Multimodal Activity Sensing Dataset（MASD，27 类活动、20 名参与者）为对象，检验环境 WiFi 信道状态信息（CSI）能否替代体戴惯性测量单元（IMU）做人体活动识别；作者发现数据集发布的机器学习就绪文件实际暴露的是退化的有符号 CSI 表示而非文档所述的幅度，于是从原始复数 CSI 重建幅度与天线比多普勒、恢复被省略的参与者标识，并在受控多种子、主体独立评估下重新评测，结果显示 WiFi 系统性偏弱：所试每种骨干网络在 27 类上加权准确率仅 6-11%，而 IMU 为 73-80%，27 类活动中 0 类达到可用准确率；修正表示确有作用（在简单子集上提升 14 个百分点），但 WiFi 仍
Retina 2026年10月1日
该研究在辅助数据集上预训练StyleGAN3与Medfusion，并用域匹配的Oracle网络通过潜在空间拒绝采样和类别条件SDEdit升级对合成图像进行严格筛选，随后在印度DR图像数据集上以ConvNeXt、ResNet50、VGG16三种架构和五个随机种子评估下游分级，结果显示仅用真实数据训练的ConvNeXt基线二次加权kappa为0.6350±0.0135，加入筛选后的StyleGAN3合成数据提升至0.7185±0.0309，加入Medfusion合成数据提升至0.7695±0.0254（绝对提升0.1345），且Medfusion将增殖期DR的召回率从0.2615±0.1595提高
该研究在辅助数据集上预训练StyleGAN3与Medfusion，并用域匹配的Oracle网络通过潜在空间拒绝采样和类别条件SDEdit升级对合成图像进行严格筛选，随后在印度DR图像数据集上以ConvNeXt、ResNet50、VGG16三种架构和五个随机种子评估下游分级，结果显示仅用真实数据训练的ConvNeXt基线二次加权kappa为0.6350±0.0135，加入筛选后的StyleGAN3合成数据提升至0.7185±0.0309，加入Medfusion合成数据提升至0.7695±0.0254（绝对提升0.1345），且Medfusion将增殖期DR的召回率从0.2615±0.1595提高
用Oracle筛选的合成眼底图像增强糖尿病视网膜病变分级，ConvNeXt的二次加权kappa从0.6350提升到0.7695，增殖期DR召回率翻倍
该研究在辅助数据集上预训练StyleGAN3与Medfusion，并用域匹配的Oracle网络通过潜在空间拒绝采样和类别条件SDEdit升级对合成图像进行严格筛选，随后在印度DR图像数据集上以ConvNeXt、ResNet50、VGG16三种架构和五个随机种子评估下游分级，结果显示仅用真实数据训练的ConvNeXt基线二次加权kappa为0.6350±0.0135，加入筛选后的StyleGAN3合成数据提升至0.7185±0.0309，加入Medfusion合成数据提升至0.7695±0.0254（绝对提升0.1345），且Medfusion将增殖期DR的召回率从0.2615±0.1595提高
该研究在辅助数据集上预训练StyleGAN3与Medfusion，并用域匹配的Oracle网络通过潜在空间拒绝采样和类别条件SDEdit升级对合成图像进行严格筛选，随后在印度DR图像数据集上以ConvNeXt、ResNet50、VGG16三种架构和五个随机种子评估下游分级，结果显示仅用真实数据训练的ConvNeXt基线二次加权kappa为0.6350±0.0135，加入筛选后的StyleGAN3合成数据提升至0.7185±0.0309，加入Medfusion合成数据提升至0.7695±0.0254（绝对提升0.1345），且Medfusion将增殖期DR的召回率从0.2615±0.1595提高
British Journal of Radiology 2026年10月1日
这篇综述梳理了冠脉CT血管成像（CCTA）评估冠心病的最新进展：AI驱动的斑块定量与狭窄定量可把分析时间从每例25分钟以上压缩到通常不足60秒、与血管内超声的相关性达0.92-0.95，光子计数探测器CT（PCD-CT）以超高分辨率减少钙化晕影并把部分病例重新归入更低CAD-RADS分级，FFR-CT提供无创的病灶特异性生理评估，三者整合可支持更精细的主要不良心血管事件风险分层与预防治疗决策。
这篇综述梳理了冠脉CT血管成像（CCTA）评估冠心病的最新进展：AI驱动的斑块定量与狭窄定量可把分析时间从每例25分钟以上压缩到通常不足60秒、与血管内超声的相关性达0.92-0.95，光子计数探测器CT（PCD-CT）以超高分辨率减少钙化晕影并把部分病例重新归入更低CAD-RADS分级，FFR-CT提供无创的病灶特异性生理评估，三者整合可支持更精细的主要不良心血管事件风险分层与预防治疗决策。
AI定量CT、光子计数CT与FFR-CT整合，将冠脉斑块负荷与缺血评估纳入同一CCTA工作流
这篇综述梳理了冠脉CT血管成像（CCTA）评估冠心病的最新进展：AI驱动的斑块定量与狭窄定量可把分析时间从每例25分钟以上压缩到通常不足60秒、与血管内超声的相关性达0.92-0.95，光子计数探测器CT（PCD-CT）以超高分辨率减少钙化晕影并把部分病例重新归入更低CAD-RADS分级，FFR-CT提供无创的病灶特异性生理评估，三者整合可支持更精细的主要不良心血管事件风险分层与预防治疗决策。
这篇综述梳理了冠脉CT血管成像（CCTA）评估冠心病的最新进展：AI驱动的斑块定量与狭窄定量可把分析时间从每例25分钟以上压缩到通常不足60秒、与血管内超声的相关性达0.92-0.95，光子计数探测器CT（PCD-CT）以超高分辨率减少钙化晕影并把部分病例重新归入更低CAD-RADS分级，FFR-CT提供无创的病灶特异性生理评估，三者整合可支持更精细的主要不良心血管事件风险分层与预防治疗决策。

第 1 页 · 当前显示 10 项