研究提出面向扩散模型的条件感知表征正则化框架 CARE
该研究针对扩散模型中表征正则化方法常忽视内置条件（如标签或文本）影响的问题，揭示了条件信号对特征分布的作用机制，并提出了 CARE（条件感知表征正则化）框架。CARE 是一种轻量级且即插即用的正则化方案，能够根据条件相似性动态调整特征分布，从而进一步优化扩散模型的样本生成质量并提升训练效率。
DC AI 热点
全部 AI 动态
9月25日2026-09-25
针对316L不锈钢氢脆检测的防数据泄漏机器学习评估协议
扫描电子显微镜（SEM）常用于表征结构钢因氢脆引起的微观结构变化。尽管机器学习能自动化此类表征，但现有模型常采用图像级划分，当同一样本区域包含多张图像时易引发数据泄漏。为此，研究人员针对316L不锈钢原始状态与充氢状态的SEM显微图像分类任务，提出了一种基于14个空间区域留一（LORO）交叉验证的区域保留评估协议，以实现对纹理特征与深度特征更可靠的无泄漏评估。
TAM-Chain：结合吸收马尔可夫链与香农熵的多尺度甲状腺细胞学分类框架
针对甲状腺细针穿刺活检在深度学习分类中面临的高假阴性率及临床域偏移下的过度自信问题，研究人员提出了 TAM-Chain 框架。该研究结合吸收马尔可夫链理论与基于香农熵的不确定性量化方法，在 10x、20x 和 40x 等多尺度下动态建模特征提取过程，旨在抑制假阴性漏诊并增强跨域适应能力，提升早期甲状腺癌病理诊断的可靠性。
9月24日2026-09-24
CORE-STACK+：面向深度堆叠泛化的元学习方法
在堆叠异构视觉骨干网络（如CNN、ViT及其混合架构）以提升精度、校准度与鲁棒性时，常受制于预测空间多重共线性与校准崩溃两大耦合问题。多重共线性会导致元学习器解不稳定，而简单线性堆叠则会加剧各模型的未校准问题，导致模型越多期望校准误差反而越差。现有解决方案均无法同时解决这两种缺陷，为此该研究提出了基于元学习的深度堆叠泛化方法CORE-STACK+以克服这些限制。