#深度学习

Gary Marcus抱怨科技圈选择性引用他的AI观点，忽视他25年来对神经符号AI的倡导。

Gary Marcus@GaryMarcus原文

MIT提出reViT，用单Transformer块实现多深度视觉编码，参数减少70%精度不降。

研究人员推出SoftServe拟牛顿方法，解决深度学习中的非凸性和大规模参数问题，在病态问题上表现优于现有基线。

RicursiveAI创始人分享颠覆性观点：Transformer胜出可能只是因为适合现有芯片，未来可能有更好架构。

The Information@theinformation原文

这篇论文介绍了一种叫 RegKT 的新技术，专门用来提升知识追踪模型的性能，让它在处理教育数据时更稳定，不容易过拟合，同时还能保持模型的可解释性，对做教育应用的开发者可能有帮助。

Yann LeCun（深度学习先驱）说，AI 研究者太关注比特和令牌，没意识到现实世界有多乱，这个观点很值得听听。

官方账号Yann LeCun@ylecun原文

斯坦福大学老师把深度学习课全公开了，想学深度学习的朋友可以去看，内容很系统。

Stanford AI Lab@StanfordAILab2 个信源在谈原文

DeepSeek团队用深度学习解决了400Hz航空航天电力系统故障检测，模型在边缘设备上运行速度快准确率高。

MIT团队用物理约束的深度学习模型，大幅减少ICU误报，比现有方法准确率更高。

医学影像领域新研究，用预训练模型提升DWI畸变校正效果，在LMIC数据应用中发现实际挑战。

G-PROG模型能预测青光眼进展，眼科影像分析正从检测转向预测，还能发现脑部生物标志物。

Lancet Digital Health@ The Lancet Digital Health原文

DeepSeek团队推出IIns-GAN，能生成真实无线信号，比传统方法更省成本，还能提升各种无线感知任务的训练效果。

StainPresetNet解决了染色标准化中的方向限制问题，计算效率提升90%，适合病理图像分析。

这篇论文提出了一个名为ICON分解的新方法，用于更准确地评估深度神经网络中各个概念的重要性，对于模型审计和可解释性研究具有重要意义。与现有的基线方法相比，它能够提供更可靠的解释，对于理解模型的决策过程非常有帮助。

这项研究揭示了AI生成图像中的构图缺陷，并提供了CO-AID数据集，对于优化AI图像生成和提升模型性能有重要意义。

这篇论文详细评估了咳嗽结核病模型的泛化能力，揭示了数据收集和设备差异对模型泛化能力的影响，为结核病筛查模型的开发提供了重要参考。

TabNSM提出了一种新颖的表格回归方法，通过稀疏交互和难度感知采样，解决了深度表格回归中的关键挑战。

这篇论文用深度学习从微流体轨迹里识别癌细胞表型，提出了一个叫SubSeq的增强方法，比基线更准，还告诉你模型在看哪些物理区域。

这篇论文用深度学习给远古手印判性别，在当代数据上准确率超88%，还能告诉你哪些样本拿得准、哪些拿不准。

用 SPAR 把脉搏波变成图像，再让 CNN 分年龄，35-40 和 50-55 岁分得挺准，F1 超 70%。

自动驾驶圈可以看看这篇：他们没让神经网络直接开车，而是给它加了安全监督层，还在自家车karl.上真跑了。

这个研究用腕带传感器加深度学习，检测拔毛、抠皮这类小动作，F1到0.985，比单模态准多了，对心理健康监测挺有参考价值。

想减少模型自信犯错？ReliableNet 直接约束这种错误率，比校准和选择性预测更稳，测试里表现最好。