Badgers: generating data quality deficits with Python
Fraunhofer-IESE（弗劳恩霍夫 IESE 研究所）
本文提出了开源Python库badgers，用于为表格、时间序列和文本等不同模态数据生成异常值、不平衡和漂移等数据质量缺陷，以支持数据驱动AI/ML应用的实验评估。
2023-07-10 cs.LG
FAT Forensics: A Python Toolbox for Algorithmic Fairness, Accountability and Transparency
University of Bristol（布里斯托尔大学）；RMIT University（皇家墨尔本理工大学）
今天，由机器学习算法驱动的人工智能系统可以对我们的日常生活做出重要的、有时具有法律约束力的决定。然而，在许多情况下，这些系统及其行动既没有受到管制，也没有得到认证。为了帮助应对这些算法可能造成的潜在危害，我们开发了一个开源工具箱，可以分析机器学习过程中选定的公平性，问责制和透明度方面：数据（及其特征），模型和预测，允许自动客观地向相关利益相关者报告。在本文中，我们描述了这个Python包的设计，范围，使用和影响，它是在3-Clause BSD开源许可证下发布的。
2022-08-25 cs.AI cs.CY cs.LG
Recent Trends in Artificial Intelligence-inspired Electronic Thermal Management
Mechanical Engineering Department, Thapar Institute of Engineering
该研究针对传统电子热管理数值方法的局限性，详细梳理了深度学习在电子热管理领域的当前应用，为利用人工智能提升热管理效能提供了研究现状参考。
2021-12-26 cs.AI cs.CE cs.LG
A Comprehensive Guide to Combining R and Python code for Data Science, Machine Learning and Reinforcement Learning
Universidad Carlos III de Madrid（马德里卡洛斯三世大学）
本文介绍如何通过R的reticulate包结合R与Python，利用Python的机器学习库和R的统计功能，提升数据科学、机器学习和强化学习项目的开发效率。
2024-07-19 cs.LG cs.PL
Recent Trends in Artificial Intelligence Technology: A Scoping Review
Institute of Information Technology（信息技术学院）
该范围综述基于PRISMA框架，分析2022年三大期刊的人工智能研究，发现处理多源非结构化数据是关键，且无监督/半监督学习及可解释、安全的预测是当前主要趋势。
2025-06-23 cs.AI cs.CV cs.LG
Neuromorphic Computing for Embodied Intelligence in Autonomous Systems: Current Trends, Challenges, and Future Directions
eBRAIN Lab, Division of Engineering, New York University Abu Dhabi (NYUAD)（eBRAIN实验室，工程学院，纽约大学阿布扎克分校（NYUAD））
本文综述神经形态算法、专用硬件与跨层优化在真实自主系统中的进展，重点讨论事件相机、SNN 集成及其在实时决策、持续学习和安全韧性方面的挑战。
2025-07-24 cs.LG
Artificial Intelligence and Machine Learning in 5G Network Security: Opportunities, advantages, and future research trends
Macquarie University（麦考瑞大学）；King Saud University（沙特国王大学）；Victoria University（维多利亚大学）
5G网络最近的技术和架构进步已经证明了它们的价值，因为部署已经在世界各地开始。从接入到核心网络的关键性能提升因素是关键使能网络功能的软件化、云化和虚拟化。随着网络的快速发展，系统中的风险、威胁和漏洞也随之而来。因此，确保端到端（E2 E）安全性成为一个至关重要的问题。人工智能（AI）和机器学习（ML）可以在针对各种各样的威胁的高效安全协议的设计、建模和自动化方面发挥至关重要的作用。AI和ML已经在不同领域证明了它们在分类、识别和自动化方面的有效性，并且具有更高的准确性。由于5G网络的主要卖点是更高的数据率和速度，因此很难使用典型/传统的保护措施来应对来自不同点的各种威胁。因此，AI和ML可以在保护高度数据驱动的软件化和虚拟化网络组件方面发挥核心作用。本文介绍了AI和ML驱动的5G网络安全应用，它们的含义和可能的研究方向。此外，概述了5G架构中用于威胁分类和异常检测的关键数据汇集点。
2020-07-09 cs.CR cs.LG
Predictive Maintenance -- Bridging Artificial Intelligence and IoT
International Hellenic University（国际希腊大学）
本文重点介绍了使用机器学习进行预测性维护的趋势。随着第四次工业革命的不断发展，通过物联网，使用人工智能的技术正在发展。因此，各行业一直在使用这些技术来优化生产。通过为本文进行的科学研究，得出了关于使用机器学习桥接人工智能和物联网的预测性维护应用趋势的结论。这些趋势与应用预测性维护的行业类型有关，实施了人工智能模型，主要是机器学习和通过物联网应用于应用的传感器类型。报告介绍了六个部门，生产部门占主导地位，占出版物总数的54.54%。在人工智能模型中，人工神经网络、支持向量机和随机森林分别占27.84%、17.72%和13.92%。最后，出现了12类传感器，其中使用最广泛的是温度和振动传感器，分别占60.71%和46.42%。
2021-04-20 cs.AI cs.LG cs.NI
dalex: Responsible Machine Learning with Interactive Explainability and Fairness in Python
Warsaw University of Technology（华沙理工大学）；Faculty of Mathematics and Information Science（数学与信息科学学院）；Samsung Research & Development Institute（三星研发研究院）
可用数据量的增加、计算能力的提高以及对更高性能的不断追求导致预测模型的复杂性不断增加。它们的黑箱性质导致不透明债务现象，增加了歧视的风险，缺乏可重复性，以及由于数据漂移而导致的性能下降。为了管理这些风险，良好的MLOps实践要求更好地验证模型性能和公平性，更高的可解释性和持续监控。更深层次的模型透明性的必要性不仅出现在科学和社会领域，也出现在关于人工智能的新兴法律法规中。为了促进负责任的机器学习模型的开发，我们展示了dalex，这是一个Python包，它实现了用于交互式模型探索的模型不可知接口。它采用了通过开发各种负责任的机器学习工具而精心制作的设计;因此，它旨在统一现有的解决方案。这个库的源代码和文档可以在https://python.drwhy.ai/的开放许可下获得。
2021-10-11 cs.HC cs.LG cs.SE
DataSist: A Python-based library for easy data analysis, visualization and modeling
Ambrose Alli University（安布罗斯·阿里大学）
移动设备、万维网、物联网、社交媒体等现代信息系统每秒钟都会产生大量的数据，对这些海量数据的分析和挖掘需要大量先进的工具和技术。因此，大数据分析和挖掘是目前一个活跃和趋势的研究领域，因为企业和组织从中获得了巨大的好处。许多工具，如Pandas，Numpy，STATA，SPSS，已经创建来帮助分析和挖掘这些巨大的数据爆发，有些已经变得如此流行，并广泛应用于该领域。本文介绍了一个新的基于Python的库DataSist，它提供了高级，直观和易于使用的功能，以及帮助数据科学家/分析师快速分析，挖掘和可视化大数据集的方法。这个项目的目标是（i）设计一个python库，通过抽象低级语法来帮助数据分析过程，（ii）通过让数据科学家专注于做什么而不是如何做来提高数据科学家的生产力。这个项目表明，当我们抽象某些功能时，数据分析可以自动化，并且速度更快，并且将成为数据科学家工作流程中的重要工具。
2020-01-10 cs.LG
PyGALAX: An Open-Source Python Toolkit for Advanced Explainable Geospatial Machine Learning
Texas State University（德克萨斯州立大学）；Pacific Northwest National Laboratory（太平洋西北国家实验室）
PyGALAX通过整合AutoML和XAI技术，提供了一个用于高级可解释地理空间机器学习的开源Python工具包，解决了空间非平稳性问题。
2026-01-31 cs.LG
Environmental Insights: Democratizing Access to Ambient Air Pollution Data and Predictive Analytics with an Open-Source Python Package
University of Exeter（埃克塞特大学）；Federal University of Ceará（塞阿拉联邦大学）
本研究推出开源Python包Environmental Insights，可便捷获取历史空气污染数据、用机器学习模型预测污染情况，还提供动态可视化工具助力结果传播，以普及空气污染数据与预测分析的获取。
2024-03-06 cs.LG physics.soc-ph
Artificial Intelligence For Breast Cancer Detection: Trends & Directions
Salim Habib University（萨利姆·哈比卜大学）
在过去的十年中，计算机视觉和人工智能（AI）领域的研究人员已经加大了努力，提出了一个自动化框架，不仅可以检测乳腺癌，还可以识别乳腺癌的阶段。这一方向的研究活动激增的原因主要是由于强大的AI算法（深度学习）的出现，可以训练这些强大而复杂的AI算法的硬件的可用性以及训练AI算法所需的足够大的数据集的可访问性。研究人员已经利用不同的成像模式来自动化乳腺癌检测的任务是乳房X线照片，超声，磁共振成像，组织病理学图像或它们的任何组合。本文分析了这些成像方式，并介绍了它们的优势，局限性和征用资源，从那里可以访问他们的数据集用于研究目的。然后，本文总结了过去十年中提出的基于AI和计算机视觉的最先进方法，以使用各种成像方式检测乳腺癌。一般来说，在这篇文章中，我们重点审查了使用乳房X线照片报告结果的框架，因为它是最广泛使用的乳房成像模式，作为医生通常用于检测乳腺癌的第一个测试。关注乳房X线摄影成像模式的第二个原因是其标记数据集的可用性。数据集可用性是开发基于AI的框架的最重要方面之一，因为这些算法需要大量数据，并且通常数据集的质量会影响基于AI的算法的性能。简而言之，这篇研究文章将作为自动化乳腺成像分析领域研究社区的主要资源。
2021-10-03 cs.CV cs.LG eess.IV
Machine Learning in Finance-Emerging Trends and Challenges
Praxis Business School（普拉西斯商学院）；NSHM Knowledge Campus（NSHM知识园区）
机器学习和人工智能的范式已经渗透到我们的日常生活中，它不再是深奥的学者和科学家努力解决具有挑战性的研究问题的领域。这种演变是自然的，而不是偶然的。随着处理速度的指数级增长以及解决复杂和具有挑战性问题的更智能算法的出现，组织发现可以利用大量数据来实现具有深远商业价值的解决方案。本介绍性章节重点介绍了金融服务部门的组织目前在日常运营中采用基于机器学习和人工智能的模型和应用程序时遇到的一些挑战和障碍。
2021-10-08 cs.LG q-fin.ST
Machine Learning Framework: Competitive Intelligence and Key Drivers Identification of Market Share Trends Among Healthcare Facilities
Providence India LLC（普罗维登斯印度有限责任公司）
在医疗保健战略制定中，数据驱动决策的必要性正在迅速增加。一个可靠的框架，有助于确定影响医疗保健提供机构或医院（从这里称为设施）市场份额的因素是至关重要的。这项试点研究旨在开发一个数据驱动的机器学习-回归框架，帮助战略家制定关键决策，以提高设施的市场份额，从而影响提高医疗保健服务的质量。本研究选择了美国（美国）医疗保健业务;考虑了华盛顿州60家主要机构的数据和约3年的历史数据。在目前的分析中，市场份额被称为设施遭遇与潜在竞争对手设施之间的总遭遇的比率。本研究提出了一种新的双管齐下的竞争对手识别和回归方法来评估和预测市场份额，分别。利用模型不可知技术SHAP来量化影响市场份额的功能的相对重要性。所提出的方法，以确定池的竞争对手在当前的分析，开发有向无环图（DAG），特征级词向量和评估的关键连接组件在设施级。这种技术是稳健的，因为它的数据驱动，最大限度地减少了来自经验技术的偏差。在识别出各设施间的竞争对手后，建立了回归模型来预测市场份额。对于设施级别的特征的相对量化，将SHAP纳入模型不可知解释器。这有助于识别和排名影响市场份额的每个设施的属性。
2022-12-12 cs.DB cs.LG
Deep Learning and Machine Learning -- Python Data Structures and Mathematics Fundamental: From Theory to Practice
Zhejiang University（浙江大学）；Indiana University（印第安纳大学）；Kyoto University（京都大学）；AppCubic；Rutgers University（罗格斯大学）；University of Wisconsin-Madison（威斯康星大学麦迪逊分校）；Purdue University（普渡大学）；Georgia Institute of Technology（佐治亚理工学院）
本书通过Python语言，系统讲解机器学习和深度学习的基础理论与实践，涵盖数学基础、算法实现及大数据应用，帮助读者掌握AI开发的核心技能。
2025-12-22 cs.DS cs.LG cs.PL
Artificial intelligence-based process for metal scrap sorting
Pforzheim University（普福尔茨海姆大学）
机器学习为改善回收行业的工作场所和工作条件等提供了显着的好处。例如，中等价值废料的手工分拣是劳动密集型的，需要有经验和熟练的工人。一方面，他们必须高度集中精力对材料进行适当的阅读和分析，但另一方面，这项工作是单调的。因此，提出了一种机器学习方法，用于在回收行业中快速可靠地自动识别合金，而仅仅是废料处理被认为是留给工人的。为此，从现场选择了一组12种工具钢和高速钢，通过电弧诱导的光谱进行识别。对于数据采集，使用光学发射光谱仪Thorlabs CCS 100。光谱已经过后处理，以输入监督机器学习算法。机器学习软件的开发是根据ISO2221标准方法的步骤进行的。对于编程，使用了Python 3以及Python库sklearn。通过系统参数的变化，选择合适的机器学习算法并进行验证。随后的验证步骤表明，使用机器学习方法和光学发射光谱法的自动识别过程是适用的，达到96.9%的最大F1分数。该性能与训练有素的工人使用视觉磨削火花识别的性能一样好。测试基于使用工业车间设备产生的每种合金600个光谱（总共7，200个光谱）的自生成集合。
2019-03-22 cs.AI cs.LG
Standardization Trends on Safety and Trustworthiness Technology for Advanced AI
Standard Research Division（标准研究部）；Electronics and Telecommunications Research Institute（电子通信研究院）
本研究分析先进AI安全与可信性标准化的国际趋势，明确关键标准化领域，提出未来方向、策略及政策启示，以支撑先进AI安全可信发展、提升国际竞争力。
2024-10-29 cs.AI cs.LG cs.SE
Artificial Intelligence in the Low-Level Realm -- A Survey
近年来，资源感知机器学习一直是一个热门话题，专注于使ML计算方面更容易被物联网中的边缘设备利用。本文试图回顾一个概念上和实践上相关的领域，集中于在低资源环境中将ML应用于操作系统的主要任务的努力和挑战。人工智能已集成到操作系统中，并具有语音或图像识别等应用程序。然而，这种整合仅限于用户空间。在这里，我们寻求利用人工智能方法的方法和努力，特别是机器学习，在操作系统的主要责任。我们提供了ML可以为OS带来的改进，使它们更值得信赖。换句话说，需要回答的主要问题是AI如何直接在改善传统OS内核主要任务方面发挥作用。同时，也指出了这种结合方式所面临的挑战和局限。
2021-09-19 cs.LG
A Comprehensive Python Library for Deep Learning-Based Event Detection in Multivariate Time Series Data and Information Retrieval in NLP
本研究提出一种基于回归、仅需参考事件标注、采用堆叠集成元模型的多变量时间序列事件检测深度学习方法，并配套开发了可通过PyPI安装的Python包eventdetector-ts，经多领域实际用例验证具备通用性与有效性。
2023-12-18 cs.LG
Explainable Artificial Intelligence for identifying profitability predictors in Financial Statements
University of Milano-Bicocca（米兰比可卡大学）
本文针对公司盈利趋势预测难题，利用AIDA数据库中的原始财务数据应用机器学习技术进行模型比较研究，并提出基于博弈论的可解释人工智能方法以识别关键特征，提升模型可解释性。
2025-01-29 cs.LG
Understanding the Energy Consumption of HPC Scale Artificial Intelligence
Univ. Grenoble Alpes（格勒诺布尔阿尔卑斯大学）；CNRS（法国国家科学研究中心）；Inria（法国国家信息与自动化研究所）；Grenoble INP（格勒诺布尔理工学院）
本文有助于更好地理解HPC规模人工智能（AI），更具体地说，深度学习（DL）算法的能耗权衡。对于这项任务，我们开发了基准跟踪器，一个基准测试工具，以评估在HPC环境中的DL算法的速度和能耗。我们利用硬件计数器和Python库通过软件收集能量信息，这使我们能够检测已知的AI基准工具，并评估许多DL算法和模型的能耗。通过一个实验活动，我们展示了一个案例的潜力的基准跟踪器来衡量的计算速度和能量消耗的训练和推理DL算法，也有潜力的基准跟踪器，以帮助更好地了解在HPC平台的DL算法的能量行为。这项工作是更好地了解HPC中深度学习的能耗的一步，它还提供了一个新的工具，帮助HPC DL开发人员更好地平衡HPC基础设施的速度和能耗。
2022-11-14 cs.AI cs.DC cs.LG
Talking About Large Language Models
Imperial College London（帝国理工学院）
由于人工智能的快速发展，我们已经进入了一个技术和哲学以有趣的方式交叉的时代。大语言模型（LLM）正好位于这个交叉点的中心。LLM越擅长模仿人类语言，我们就越容易受到拟人化的影响，也就越容易看到嵌入它们的系统比实际上更像人类。在描述这些系统时，使用诸如“知道”、“相信”和“认为”之类的具有历史意义的术语的自然倾向放大了这一趋势。为了缓解这一趋势，本文提倡反复后退的做法，以提醒我们LLM及其组成部分的系统是如何工作的。人们希望，科学精确度的提高将鼓励围绕人工智能的讨论在该领域和公共领域中出现更多哲学上的细微差别。
2023-02-16 cs.CL cs.LG
OnPrem.LLM: A Privacy-Conscious Document Intelligence Toolkit
Institute for Defense Analyses（国防分析研究所）
本文介绍隐私优先的 Python 工具包 OnPrem.LLM，通过本地 LLM、RAG 与文档处理流水线及多后端支持，实现敏感数据的离线或混合文档智能应用。
2025-09-26 cs.AI cs.CL cs.LG
SelfEEG: A Python library for Self-Supervised Learning in Electroencephalography
University of Padova（帕多瓦大学）；University of Padua（帕多瓦大学）；University of Applied Sciences Western Switzerland（瑞士西部应用科学与艺术大学）
SelfEEG是一个开源Python库，提供从数据分割到模型训练的全流程自监督学习工具，支持多种配置和生物信号分析，适用于EEG研究。
2023-12-20 cs.LG eess.SP
Trends and Advancements in Deep Neural Network Communication
Fraunhofer Heinrich Hertz Institute（弗劳恩霍夫研究所海因里希赫兹研究所）；Technische Universität Berlin（柏林工业大学）
神经网络由于其良好的性能和可扩展性，已成为许多应用的普遍存在的构建块。随着移动和物联网的兴起，这些模型现在也越来越多地应用于分布式环境中，在分布式环境中，数据的所有者被有限的通信渠道和隐私限制分开。为了解决这些分布式环境的挑战，已经开发了各种各样的训练和评估方案，这需要神经网络参数化的通信。这些新方法将“智能化数据”与传统的云解决方案相比具有许多优势，例如隐私保护，提高安全性和设备自主性，通信效率和高训练速度。本文综述了机器学习和通信交叉的这一新的研究领域的最新进展和挑战。
2020-03-06 cs.DC cs.LG cs.MM
TrustyAI Explainability Toolkit
人工智能（AI）正变得越来越受欢迎，可以在世界各地的工作场所和家庭中找到。这种“黑箱”系统所做的决定通常是不透明的;也就是说，非常复杂，以至于在功能上无法理解。我们如何确保这些系统按预期运行？TrustyAI是一项研究可解释人工智能（XAI）解决方案的计划，旨在解决AI模型和决策服务背景下的可解释性问题。本文介绍了TrustyAI Explainability Toolkit，这是一个Java和Python库，为企业和数据科学用例提供决策服务和预测模型的XAI解释。我们描述了TrustyAI实现和LIME、SHAP和反事实等技术的扩展，这些技术在各种实验中以现有实现为基准。
2022-05-26 cs.AI cs.LG
Cracking the Code: Enhancing Development finance understanding with artificial intelligence
Université Clermont Auvergne（克莱蒙奥弗涅大学）；CNRS（法国国家科学研究中心）；IRD（法国发展研究院）；CERDI（发展研究中心）
针对OECD CRS数据集因依赖捐助方自报目标和预定义部门而难以准确反映项目目的的问题，本研究结合NLP与BERTopic主题建模技术对约500万项目说明进行分类标记，揭示隐藏主题以增强对发展融资的理解。
2025-02-13 cs.AI cs.LG econ.GN
When Generative Artificial Intelligence meets Extended Reality: A Systematic Review
本文系统综述了2023至2025年生成式AI在XR中的应用，基于PRISMA筛选26篇文献，总结应用领域、技术实现、研究趋势与空白，并展望未来研究方向。
2025-11-05 cs.AI cs.HC cs.LG
Towards using Cough for Respiratory Disease Diagnosis by leveraging Artificial Intelligence: A Survey
University of Pittsburgh Medical Center（匹兹堡大学医学中心）；Kharkiv National Medical University（哈尔科夫国立医科大学）；Qatar University（卡塔尔大学）
本文综述基于咳嗽声学的ML/DL呼吸系统疾病检测与初步诊断框架，梳理特征、机制、监测应用及识别算法，并指出挑战与未来方向。
2023-09-24 cs.AI cs.LG cs.SD
