Enhancing the Scalability and Applicability of Kohn-Sham Hamiltonians for Molecular Systems

作者: Yunyang Li, Zaishuo Xia, Lin Huang, Xinran Wei, Han Yang, Sam Harshe, Zun Wang, Chang Liu, Jia Zhang, Bin Shao, Mark B. Gerstein

研究方向: 量子化学与材料科学

本文研究了如何提高Kohn-Sham哈密顿量的可扩展性和适用性，以应对大规模分子系统中DFT计算的挑战。通过使用深度学习模型和新的损失函数，实现了对分子轨道和总能量的更准确预测，并加速了自洽场（SCF）DFT计算。

ID: 2502.19227v1•来源: arxiv•发布时间: 2025-02-27

A Lightweight and Extensible Cell Segmentation and Classification Model for Whole Slide Images

作者: Nikita Shvetsov, Thomas K. Kilvaer, Masoud Tafavvoghi, Anders Sildnes, Kajsa Møllersen, Lill-Tove Rasmussen Busund, Lars Ailo Bongo

研究方向: 数字病理学与计算病理学

本文提出了一种轻量级且可扩展的细胞分割和分类模型，用于全切片图像的分析。该模型旨在解决数字病理学中数据质量、模型性能和可用性方面的挑战。

ID: 2502.19217v1•来源: arxiv•发布时间: 2025-02-27

FaithUn: Toward Faithful Forgetting in Language Models by Investigating the Interconnectedness of Knowledge

作者: Nakyeong Yang, Minsung Kim, Seunghyun Yoon, Joongbo Shin, Kyomin Jung

研究方向: 语言模型知识遗忘

该研究针对语言模型中知识遗忘的问题，提出了一种新的方法来确保在遗忘特定知识的同时，保留相关但不相关的知识，避免知识遗忘的表面化现象。

ID: 2502.19207v1•来源: arxiv•发布时间: 2025-02-27

EGR-Net: A Novel Embedding Gramian Representation CNN for Intelligent Fault Diagnosis

作者: Linshan Jia

研究方向: 智能故障诊断，旋转机械故障诊断，深度学习

本文提出了一种新的1D到2D转换方法，称为嵌入语法表示（EGR），用于捕获原始振动信号中的故障特征。基于EGR，设计了一种双分支卷积神经网络模型EGR-Net，以减少传统单输入CNN模型的信息损失问题。

ID: 2502.19199v1•来源: arxiv•发布时间: 2025-02-27

Simulation of Language Evolution under Regulated Social Media Platforms: A Synergistic Approach of Large Language Models and Genetic Algorithms

作者: Jinyu Cai, Yusei Ishimizu, Mingyue Zhang, Munan Li, Jialong Li, Kenji Tei

研究方向: 语言演化与社会媒体监管

本文提出了一种基于大型语言模型（LLM）和遗传算法（GA）的多智能体框架，用于模拟受监管社交媒体平台上的语言演化。该框架通过模拟用户和监管系统之间的互动，以及LLM在GA中的操作，来研究语言策略的演变。

ID: 2502.19193v1•来源: arxiv•发布时间: 2025-02-27

Provocations from the Humanities for Generative AI Research

作者: Lauren Klein, Meredith Martin, André Brock, Maria Antoniak, Melanie Walsh, Jessica Marie Johnson, Lauren Tilton, David Mimno

研究方向: 人工智能与人文研究

本文探讨了从人文研究的角度出发，对生成式人工智能的使用、影响和潜在危害进行分析。作者提出了八个论点，旨在促进技术领域的人工智能研究人员更全面地考虑其工作。

ID: 2502.19190v1•来源: arxiv•发布时间: 2025-02-27

AutoML for Multi-Class Anomaly Compensation of Sensor Drift

作者: Melanie Schaller, Mathis Kruse, Antonio Ortega, Marius Lindauer, Bodo Rosenhahn

研究方向: 传感器漂移补偿与自动化机器学习（AutoML）

本文研究了传感器漂移补偿问题，提出了一种新的传感器漂移补偿学习训练范式和自动化机器学习（AutoML）技术，以提高传感器漂移补偿模型的性能。

ID: 2502.19180v1•来源: arxiv•发布时间: 2025-02-27

MEDDxAgent: A Unified Modular Agent Framework for Explainable Automatic Differential Diagnosis

作者: Daniel Rose, Chia-Chien Hung, Marco Lepri, Israa Alqassem, Kiril Gashteovski, Carolin Lawrence

研究方向: 医疗诊断与人工智能

该研究提出了一种名为 MEDDxAgent 的模块化可解释自动微分诊断代理框架，旨在解决现有诊断系统在微分诊断过程中的局限性，如依赖单一数据集、孤立优化组件、对完整患者资料的假设以及单次诊断尝试等问题。

ID: 2502.19175v1•来源: arxiv•发布时间: 2025-02-27

TestNUC: Enhancing Test-Time Computing Approaches through Neighboring Unlabeled Data Consistency

作者: Henry Peng Zou, Zhengyao Gu, Yue Zhou, Yankai Chen, Weizhi Zhang, Liancheng Fang, Yibo Wang, Yangning Li, Kay Liu, Philip S. Yu

研究方向: 自然语言处理，测试时计算，无监督学习

该研究提出了一种名为TestNUC的测试时计算方法，通过利用邻近未标记数据的局部一致性来提高大型语言模型在测试时的预测能力。TestNUC通过考虑模型对输入实例及其邻近未标记实例的预测，来对输入实例进行分类。

ID: 2502.19163v1•来源: arxiv•发布时间: 2025-02-27

Detecting Linguistic Indicators for Stereotype Assessment with Large Language Models

作者: Rebekka Görge, Michael Mock, Héctor Allende-Cid

研究方向: 自然语言处理（NLP）与人工智能（AI）的公平性和偏见

该论文提出了一种基于大型语言模型（LLM）的新的方法来检测和量化文本中的刻板印象的语言指标。该方法基于社会类别和刻板印象沟通（SCSC）框架，并结合了LLM的上下文学习能力，以自动检测和量化语言中的刻板印象指标。

ID: 2502.19160v1•来源: arxiv•发布时间: 2025-02-27