10:38arXiv cs.LG@Aygün Varol, Katarzyna Kołodziej, Łukasz Sobczak, Michał Romaszewski, Przemysław Głomb, Naser Hossein Motlagh, Mirka Leino, Johanna Virkki这篇论文提出结构化提示构建框架,将原始空气质量和热舒适传感器数据转化为三种渐进的文本表示(原始值、阈值描述、环境摘要)。研究使用室内Raspberry Pi/BME680数据集和户外华沙等城市数据集,评估5个本地和5个云端LLM。在无思维链推理模式下,本地模型准确率从50.9%提升至81.7%(室内),从63.7%提升至89.3%(户外),平均延迟仅0.22秒。结果表明轻量级预处理可显著缩小边缘与云端的准确率差异。论文LLMIoT数据预处理边缘AI提示工程环境监测推荐理由:把传感器数据预处理成文字提示,小模型准确率能从50%涨到89%,延迟才0.22秒,不比云端差。原文
11:10arXiv cs.AI@Zahra Asghari Varzaneh, Reza Khoshkangini, Pia Saldeen, Lars Johansson, Thomas Ebner该论文利用55个上下文感知时间特征(包括滚动热稳定性、温湿度同步达标率、峰值压力时长和压力后恢复速度)建模IVF实验室微环境。基于亚洲诊所61周数据,这些特征将交叉验证预测误差从原始平均值的3-5%降至1.27%。分层贝叶斯Beta回归模型通过部分池化共享环境效应,在另一北欧诊所的留出数据上对35-39岁年龄组实现R2=0.86,相比基线误差减少64%。研究证明结构化环境监测包含临床上有意义的可迁移信号。论文IVF分层贝叶斯环境监测临床预测推荐理由:搞生殖医学或临床预测的看这篇:55个环境特征把IVF成功率预测误差压到1.27%,模型还能跨诊所迁移,相当实用。原文