背景介绍 肺癌（lung cancer）作为全球发病率和死亡率极高的恶性肿瘤之一，在现代医疗领域依然面临诸多挑战。根据文献统计，肺癌患者五年生存率极低，常年位居全球癌症死亡前三位。由于肺癌早期症状隐匿，患者常在疾病晚期才被确诊，导致错失最佳治疗时机。有效应对肺癌的关键在于实现早期诊断。然而，传统的临床诊断手段——如胸部影像学检查和病理诊断——受限于操作繁琐、依赖高精度设备及医师经验等问题，难以做到及时、精准、广覆盖的早期筛查。 近年来，人工智能（AI, Artificial Intelligence）技术迅速发展，尤其是在医疗影像分析和医学文本处理领域，为癌症预测和筛查带来了革命性进展。深度学习（deep learning）模型在自然语言处理（NLP, Natural Language Pr...

学术背景 随着互联网信息的爆炸式增长，推荐系统（Recommender Systems, RSs）在现代数字生活中扮演着不可或缺的角色。无论是Netflix的电影推荐，还是社交媒体的个性化新闻推送，推荐系统都在重塑用户的在线体验。然而，传统的推荐系统面临诸多挑战，如数据稀疏性（data sparsity）、冷启动问题（cold-start）、可扩展性（scalability）和缺乏可解释性（lack of explainability）等。近年来，大语言模型（Large Language Models, LLMs）在自然语言处理（Natural Language Processing, NLP）领域取得了巨大进展，这促使研究者探索如何将这些模型应用于推荐系统，以利用其强大的文本表示能力和丰富...

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...

基于图神经网络的对话情感识别新方法 研究背景 情感识别（Emotion Recognition, ER）是人机交互（Human-Computer Interaction, HCI）中的重要组成部分，旨在通过分析语音、文本、视频等多模态数据，识别人类的情感状态。这一技术在医疗、教育、社交媒体和聊天机器人等领域具有广泛的应用前景。近年来，情感识别的研究逐渐从单句情感分析转向对话情感识别（Emotion Recognition in Conversations, ERC），即识别对话中每一句话的情感状态。与单句情感分析相比，对话情感识别更具挑战性，因为对话中的情感不仅受当前语句的影响，还受到上下文语境和说话者之间互动的影响。 传统的对话情感识别方法主要依赖于循环神经网络（RNN）和长短期记忆网络（...

一种用于指代表达分割与生成的互监督框架 研究背景与问题提出 近年来，视觉-语言交互技术在人工智能领域取得了显著进展。其中，指代表达分割（Referring Expression Segmentation, RES）和指代表达生成（Referring Expression Generation, REG）作为两个核心任务，分别旨在根据自然语言描述定位图像中的目标对象并生成其分割掩码，以及为特定目标生成清晰准确的语言描述。尽管这两个任务本质上是互逆的，但它们的研究通常被分开进行，缺乏系统性地探讨两者如何相互促进的方法。 现有研究面临的主要问题包括：1）RES任务依赖大量标注数据，而这些数据的获取成本高昂；2）REG生成的表达可能存在歧义，难以准确定位目标对象；3）联合训练RES和REG的任务虽然...