机器之心数据服务现已上线，提供高效稳定的数据获取服务，简化数据爬取流程。

本研究提出了一种新型问答系统SensorChat，能够有效处理复杂传感器数据，准确回答定性和定量问题，其答案准确率比现有最先进系统高出26%。

本研究提出了新的评估指标PROM和基准TSMD-Bench，解决了时间序列模式发现中的定量评估不足，帮助理解不同方法的相对性能。

该研究针对多模态推荐模型中的表示不匹配和遗忘问题，提出了一种定制化训练方法，显著提升了推荐系统的性能和用户体验。

本研究首次定量分析建筑工程设计行为与设计质量之间的关系，确认设计者的技能和意图变化对设计质量有显著影响，促进了BIM设计质量的提升。

FlameFinder是一个深度度量学习框架，利用无人机热像图监测野火，能够在烟雾中准确检测火焰。通过配对热-RGB图像训练，模型性能得到了提升，超越了FLAME2和FLAME3数据集的基线，并在遮挡场景中表现优于其他模型。

研究表明，GPT-4在定位政治文本方面表现出色。在英国政党纲领和美国国会议员推文上的相关性分别为93%和91%。在美国参议员的定位中，与其他估计方法的相关性为97%和96%。这证明了GPT-4是一种快速、经济且可靠的意识形态定位工具。

该方法通过结合频率和参数域条件的扩散模型，提升多线圈和定量磁共振成像的k-空间编码准确性。利用梯度下降优化增强特征学习和降噪效果，在高加速因子下表现优异，适用于静态和定量磁共振成像，保持高重建准确性和效率。

本研究解决了循环定量双极论证框架中对论点和关系归因解释的缺乏。通过应用论点归因解释和关系归因解释于真相发现QBAF，发现这些方法能够提供有趣的解释，并展现了在评估信息来源可信度上的潜力。

最近的研究发现，深度学习在核磁共振光谱去噪中具有潜力。通过数据驱动训练与传统去噪方法相结合，DL方法的性能可以进一步提高。TVCondNet方法在NMR数据去噪方面表现出更好的性能和更快的推断速度。

通过多次实验，研究发现自动驾驶车辆的性能需要不同的预测范围。建议在涉及与行人相撞的应用中，以11.8秒的预测范围作为一般指导。

本研究提出了机器学习方法作为解决传统甲烷检测方法不足的新方案。研究发现，基于卷积神经网络的机器学习模型在甲烷检测中表现优于传统方法，能够更准确地提取甲烷敏感光谱数据的信息，并探讨未来的潜在进展。

本研究提出了多尺度结构复杂性（MSSC）作为一种新方法，用于定义和量化视觉复杂性。实验结果表明，MSSC与主观复杂性相关，具有直观性、一致性和计算简便性，有潜力在人类复杂性感知中应用。

该研究使用扩散模型方法进行多线圈磁共振成像和定量磁共振成像重建，实现高加速因子下的高准确性和效率。方法具有泛化能力，适用于各领域反问题。

该研究提出了一种名为CPLIP的无监督技术，用于增强组织病理学中图像和文本的对齐，以进行分类和分割等任务。CPLIP在零样本学习场景中显示出显著的改进，并在可解释性和鲁棒性方面超越了现有方法，树立了更高的基准。

人工智能在医疗应用中发挥重要作用，但深度神经网络的解释性仍然是一个挑战。本文提出了一种基于影响力的可解释性算法TracIn，用于医学图像分割任务。该算法能够提供局部和全局解释，并可作为选择决策过程中使用的最相关特征的工具。该方法适用于所有语义分割任务。

机器学习和人工智能的快速发展推动了像Hugging Face（HF）这样的平台成为模型开发和共享的中心。本研究报告综合了两项关于HF的研究，重点关注碳排放、ML模型的演化和维护。报告提供了指导性框架，有助于负责任和可持续的ML进展，并促进对ML模型更广泛影响的理解。

通过组织学分析和免疫组织化学染色的角化细胞分化标记物，可以评估体外重建的人类表皮的完整性。使用计算机分析扫描组织可节省专家时间，消除评价者之间的可靠性问题，从而提高定量方法的准确性。通过开发一种无监督方法，我们检测和定量了免疫组织化学染色，实现了自动旋转图像，找到人类表皮分化标记物并排除不具有染色区域的图像，这些方法将增强对重建人类表皮样本中蛋白标记的定量分析性能，并使得在不同实验条件下它们...