学术背景与研究意义 近几十年来，治疗性蛋白（therapeutic proteins）由于其在医学领域的巨大潜力，成为生物制药行业的研究重点。治疗性蛋白药物以其高度的靶向性为优势，被认为对许多以往难以治疗的急性或慢性疾病（如某些自身免疫病、癌症等）提供了解决方案。从1880年代血清治疗的发现到1986年首个单克隆抗体药物muromonab-CD3的推出，治疗性蛋白市场持续扩大，预计将在2032年达到近474亿美元。然而，治疗性蛋白引发免疫反应（immunogenicity）这一问题却一直困扰着药物研发人员。免疫反应既可能带来有害副作用，也可能激活治疗机制，例如疫苗就是通过激发体内免疫应答以实现免疫保护。 在蛋白药物所引发免疫反应的分子机制中，MHC（major histocompatibil...
一、背景介绍：医学领域中的机器学习与可信度挑战 近年来，随着人工智能（Artificial Intelligence, AI）和机器学习（Machine Learning, ML）技术的飞速发展，医疗健康领域发生了巨大变革。尤其是在体外仿真医学（in silico medicine）中，机器学习预测器已成为估算人体生理和病理中某些难以直接测量指标的重要工具，如疾病风险评估、治疗反应预测等。然而，随着机器学习越来越多地直接影响临床决策，对其预测结果的可信度（credibility）提出了前所未有的高标准。换言之，如何确保机器学习模型在医学实际应用中既准确又可靠，成为学界和产业界急需解决的核心科学问题。 与传统基于生物物理原理（biophysical models，亦称“第一性原理模型”）的预测...
随着人工智能（AI）技术的快速发展，人工神经网络（Artificial Neural Networks, ANNs）在多个领域取得了显著成就。然而，传统的神经网络训练方法——尤其是反向传播算法（Backpropagation）——在硬件实现上存在诸多挑战。反向传播算法虽然在软件中高效，但在硬件中实现时，要求计算路径可逆、每个神经元需要大量内存，并且需要计算激活函数的导数，这些条件在硬件中难以满足。此外，传统的互补金属氧化物半导体（CMOS）硬件在训练和部署这些算法时，能源消耗巨大，限制了其扩展性和广泛应用。 为了解决这些问题，研究人员开始探索脑启发（brain-inspired）的硬件解决方案，尤其是模拟神经形态硬件（analog neuromorphic hardware）。这类硬件能够以...
学术背景 在人工智能领域，零样本学习（Zero-Shot Learning, ZSL）是一项极具挑战性的任务，其目标是通过已见类别的知识来识别未见类别的样本。音频-视觉零样本学习（Audio-Visual Zero-Shot Learning, AVZSL）作为零样本学习的一个分支，旨在通过结合音频和视觉信息来实现对未见类别的分类。然而，现有的许多方法往往过于关注学习强表征，而忽略了音频和视觉之间的语义一致性以及数据本身的层次结构。这种忽略可能导致模型在测试时无法有效分类未见类别，从而限制了其在实际应用中的表现。 为了解决这一问题，来自Guizhou University、Shanghai Jiao Tong University和Oklahoma State University的研究团队...
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...
学术背景 在现代供应链管理中，物流服务商的选择是一个复杂且关键的问题。企业需要评估和选择能够高效管理和执行物流任务的第三方企业或组织。然而，现实中的决策过程往往涉及大量的不确定性和模糊性，传统的决策方法难以有效处理这些复杂信息。为了解决这一问题，模糊集理论（Fuzzy Set Theory, FST）及其扩展形式，如直觉模糊集（Intuitionistic Fuzzy Sets, IFS）和犹豫模糊集（Hesitant Fuzzy Sets, HFS），被广泛应用于多属性决策（Multi-Attribute Decision Making, MADM）问题中。 近年来，直觉犹豫模糊集（Intuitionistic Hesitant Fuzzy Sets, IHFS）作为一种新的模糊信息表示工...
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...