本研究分析了临床疼痛评估的自动化方法，旨在开发高性能计算技术以实现自动评估。提出了单模态和多模态评估流程，并展示了其有效性，对人工智能领域具有重要影响。

本研究提出了一种自动化方法，利用深度学习算法识别和解释楔形文字。训练了五种模型，发现其中两种模型在精度和准确率上表现优异，显著提升了对楔形符号的理解和翻译准确性。

本文提出了一种自动化方法，用于在大型开源软件项目中将错误报告分配给开发人员。该方法结合开发历史和BERTopic、TopicMiner技术，对开发者进行排序，实验结果显示其在Top-k准确度评估中优于现有研究。

本研究探讨了组织在处理个人数据时如何遵守GDPR法规，特别是在跨组织的数据处理中。提出了一种自动化方法，通过规范推理确保数据处理的合法性，并引入隐私专家的资格，以增强透明度和问责制。研究表明，该系统能够适应GDPR的变化，并对数据处理产生积极影响。

该研究提出了一种自动化方法，通过CT图像预测肝细胞癌，有效解决了放射科医生之间的诊断差异。采用受LI-RADS启发的两步法，显著提升了分类性能，结果优于非专业医生，接近专业医生水平。

本研究针对甲骨文字符识别的专业性和人工限制，提出了调研框架，分析了主要挑战和数据集，并评估了现有方法的有效性。结果表明，结合模式识别与深度学习的自动化方法有望推动该领域的发展。

本文研究了口语会议决策摘要的自动化方法，比较了基于词元和对话行为的摘要技术。研究表明，无监督方法与有监督方法效果相当，并探讨了评估协议的不足，提出了新的评估标准。评估大型语言模型发现，开源模型在性能和成本上更具优势，适合工业应用。研究强调了模型在会议摘要生成中的挑战和性能差异。

本文介绍了一种基于注意力机制的细胞检测变换器（Cell-DETR），实现了快速准确的实例分割，并提升了实验信息输出。研究探讨了深度学习在生物医学图像分析中的应用，展示了其在细胞图像分割和纳米颗粒观察中的优势。

本文比较了多种深度学习模型在道路表面裂缝检测中的表现，发现基于transformer的模型如SwinUNet训练更易、准确率更高，但内存消耗较大。研究提出结合领域知识的算法，能在少量数据下实现良好性能，并针对砖砌缝隙和钢桥裂纹的检测，提出新的数据集和自动化方法，推动了路面病害检测的进展。

本研究利用静态和时变词嵌入分析事件对词汇的影响，创建了WikiTiDe数据集，展示了自动化方法的有效性。研究表明，通过维基百科的编辑历史和当前事件，可以有效获取和验证文本中的声明，从而提升模型性能。

该研究提出了一种利用强化学习算法改善分布式过滤电路（DFCs）设计的自动化方法。实验结果显示该方法在设计效率和质量上有明显改进，尤其在设计复杂或快速演化的DFCs时表现出卓越性能。该方法展现出更高的设计效率，突显了强化学习在电路设计自动化中的潜力。

过去十年中，开发了自动化方法来更高效、准确和客观地检测裂缝。UP-CrackNet是一种无监督的逐像素道路裂缝检测网络，通过生成多尺度正方形掩膜并从中随机选择一些，来破坏未损坏的道路图像。通过计算输入图像和恢复图像之间的差异生成误差图，实现逐像素裂缝检测。UP-CrackNet表现出可比或更好的性能和卓越的泛化能力。

该文介绍了一种自动化方法，用于量化视觉可解释性，并在卷积神经网络中找到比个别神经元更具直观意义的方向。该方法还在大脑中的视觉神经响应数据集上得到了验证，表明大脑可能使用了叠加。