学术背景 在现代工程和管理领域，决策问题常常伴随着不确定性和模糊性。传统的模糊集理论在处理这些问题时存在一定的局限性，尤其是在处理复杂的多属性群决策（Multi-Attribute Group Decision-Making, MAGDM）问题时。直觉模糊集（Intuitionistic Fuzzy Set, IFS）作为一种扩展的模糊集理论，能够更好地捕捉决策过程中的不确定性和模糊性。然而，现有的直觉模糊数（Intuitionistic Fuzzy Numbers, IFNs）在处理某些复杂问题时仍然存在不足，尤其是当涉及到梯形直觉模糊数（Trapezoidal-Valued Intuitionistic Fuzzy Numbers, TrVIFNs）时。 为了解决这一问题，本文提出了一种...

露天矿山爆破作业在矿物提取中至关重要，但同时也伴随着显著的环境和结构风险。爆破过程中产生的峰值粒子速度（Peak Particle Velocity, PPV）是评估爆破振动对周围结构和环境影响的关键指标。准确的PPV预测对于优化爆破实践、减少环境破坏和确保结构安全具有重要意义。传统的预测方法在处理非线性关系和高维数据时存在局限性，而机器学习（Machine Learning, ML）技术，特别是混合机器学习方法，展现出在PPV预测中的巨大潜力。本文旨在系统综述混合机器学习技术在露天矿山爆破PPV预测中的应用，探讨其优势、挑战及未来研究方向。 论文来源 本文由Gundaveni Shylaja和Ragam Prashanth共同撰写，两位作者均来自VIT-AP University的计算机科...

学术背景 随着公共安全需求的日益增加，尤其是在大型宗教活动如麦加朝觐（Hajj）期间，密集人群中的异常行为检测成为了一个至关重要的课题。现有的检测方法在面对遮挡、光照变化和统一着装等复杂条件时，往往表现不佳，导致检测精度下降。为了应对这些挑战，研究者们致力于开发更为先进的计算机视觉技术，以提高实时监测的准确性和效率。 本研究的核心在于提出一种改进的YOLOv8模型——Crowd Anomaly Detection Framework (CADF)，通过集成Soft-NMS（非极大值抑制的软版本）技术，显著提升了在复杂环境下的检测精度。该研究不仅针对Hajj朝觐的特殊场景进行了优化，还在多个公开数据集上进行了验证，展示了其广泛的适用性和鲁棒性。 论文来源 本论文由Rabia Nasir、Zak...

背景介绍 单细胞RNA测序（single cell RNA-seq, scRNA-seq）技术近年来在生物医学研究中得到了广泛应用，它能够揭示单个细胞中基因表达的异质性，为理解细胞类型、细胞状态以及疾病机制提供了重要工具。然而，scRNA-seq数据具有小样本、高维度、高噪声等特点，这使得在聚类和分类之前进行基因选择成为必要步骤。传统的统计分析和机器学习方法在处理高维数据时往往面临“维度灾难”问题，因此，如何有效地从海量基因中选择出具有代表性的基因，成为当前研究的热点之一。 为了解决这一问题，本文作者提出了一种基于模糊粗糙迭代计算模型（Fuzzy Rough Iterative Computation Model, FRIC-Model）的基因选择方法。该方法通过引入模糊对称关系（fuzzy...

学术背景 在人工智能领域，多模态表示学习（Multi-modal Representation Learning, MMRL）是一种强大的范式，旨在将来自不同模态的输入映射到一个共享的表示空间中。例如，在社交网络中，用户通常会同时分享图像和文本信息。通过多模态表示学习，模型可以更好地理解文本中的某些词汇或概念与图像中的视觉模式之间的关系。这种范式在医疗保健、情感识别等多个领域得到了广泛应用，因为数据通常以多种形式存在，而多模态信息的融合可以增强系统的整体理解和决策能力。 然而，现有的多模态表示学习方法面临两个主要挑战：高阶信息保留和样本外数据泛化。首先，现有的方法主要考虑成对的标准图结构，忽略了高阶关系可能带来的潜在洞察。其次，大多数现有的图基于多模态表示学习框架假设在推理阶段已经收集了完整...

在现实世界的应用中，多视图数据（multi-view data）广泛存在。多视图数据指的是从多个来源或通过多种表示方式收集的数据，例如同一新闻故事的不同语言版本或通过不同医学检测手段获得的疾病数据。多视图学习（multi-view learning）是挖掘多视图数据的有效方法，而多视图聚类（multi-view clustering）作为多视图学习的重要组成部分，近年来受到越来越多的关注。然而，如何设计一种有效的多视图数据挖掘方法，并使其更具针对性，仍然是一个具有挑战性的任务。 传统多视图聚类方法主要分为两类：基于原始视图的方法（original views-based methods）和基于共同潜在视图的方法（common latent view-based methods）。前者通常通过...

深度学习（Deep Learning）作为人工智能领域的重要分支，近年来在计算机视觉、自然语言处理等多个领域取得了显著进展。然而，深度学习的成功在很大程度上依赖于损失函数（Loss Function）和性能指标（Performance Metrics）的选择。损失函数用于衡量模型预测与真实值之间的差异，并指导模型的优化过程；而性能指标则用于评估模型在未见数据上的表现。尽管损失函数和性能指标在深度学习中至关重要，但面对众多的选择，研究者和从业者往往难以确定最适合其特定任务的方法。 为此，本文旨在对深度学习中最常用的损失函数和性能指标进行全面回顾，帮助研究者和从业者更好地理解和选择适合其任务的工具。文章不仅涵盖了经典的回归和分类任务，还深入探讨了计算机视觉、自然语言处理（NLP）以及检索增强生成...

学术背景 随着云计算技术的快速发展，动态和异构的云环境对高效的作业调度需求日益增长。传统的调度算法在简单系统中表现良好，但在现代复杂的云基础设施中已无法满足需求。云环境的资源异构性、能源消耗和实时适应性等问题，促使研究者探索基于人工智能（AI）的解决方案。AI驱动的作业调度技术通过机器学习、优化技术、启发式技术和混合AI模型，提供了更高的适应性、可扩展性和能源效率。本文旨在全面回顾AI驱动的作业调度技术，分析现有方法的优缺点，并探讨如何通过AI克服传统算法的不足。 论文来源 本文由Yousef Sanjalawe、Salam Al-E’mari、Salam Fraihat和Sharif Makhadmeh共同撰写，发表在《Artificial Intelligence Review》期刊上，...

随着全球环境问题的日益严峻，企业在供应链管理中越来越重视绿色和可持续的发展。绿色供应链管理（Green Supply Chain Management, GSCM）已成为企业提升竞争力和实现可持续发展的重要手段。然而，绿色供应商的选择（Green Supplier Selection, GSS）是一个复杂的多准则群体决策问题（Multicriteria Group Decision-Making, MCGDM），涉及多个决策者的不同意见和不确定性。传统的MCGDM方法在处理专家意见的信任度和模糊性方面存在不足，难以准确反映现实中的复杂情况。 为了解决这一问题，Prasenjit Mandal等学者提出了一种基于毕达哥拉斯语言信息（Pythagorean Linguistic Informat...

学术背景 近年来，纳米技术和物联网（IoT）的快速发展催生了一个革命性的领域——纳米物联网（IoNT）。纳米物联网将纳米级设备与互联网连接，使其能够在农业、军事、多媒体和医疗等领域中发挥重要作用。然而，尽管纳米物联网和机器学习（ML）都取得了显著进展，但关于两者如何结合的全面研究却相对缺乏。现有的研究主要集中在纳米物联网的架构、通信方法和特定领域的应用上，而忽略了机器学习在数据处理、异常检测和安全方面的潜力。因此，本文旨在填补这一空白，通过深入分析纳米物联网与机器学习的结合，探讨机器学习在纳米物联网中的最新应用，并系统地讨论这一结合所面临的挑战。 论文来源 本文由Aryan Rana、Deepika Gautam、Pankaj Kumar、Kranti Kumar、Athanasios V....