Web of Science
PulseAugur coverage of Web of Science — every cluster mentioning Web of Science across labs, papers, and developer communities, ranked by signal.
- 2026-07-21 product_launch A new API called WOS was launched to manage long-term memory for AI agents. 来源
6 天有情绪数据
-
人工智能、计量学和 ESG 在半导体可持续发展中的交叉
一篇新发表在 arXiv 上的范围审查文章，探讨了半导体行业中人工智能 (AI)、计量学以及环境、社会和治理 (ESG) 因素的交叉点。该论文分析了 1,465 份文件，发现知识结构零散，突显了 AI 驱动的流程优化与可持续发展治理之间的差距。为解决此问题，文章提出了一个 6 层安全和可持续设计 (SSbD) 架构，利用系统之系统 (SoS) 范式整合虚拟计量学、联邦学习和监管技术 (RegTech)，以实现安全、气候中和和循环的半导体价值链。
-
新API WOS解决了AI代理的记忆和上下文长度挑战
两位开发者创建了WOS，一个旨在管理AI代理长期记忆的新API。该API解决了AI代理忘记过去交互或每次提示都需要重新发送完整聊天记录的问题，这既昂贵又效率低下。WOS一次性存储用户记忆，并为每次查询检索相关上下文，与标准方法相比，成本显著降低了约45倍。该API还被设计为语言无关的，确保在多种语言中具有一致的检索质量，而不依赖于关键词匹配。
-
无人机航线规划用于环境监测的综述
一项系统性文献综述正在进行中，旨在综合关于自主无人机（UAV）用于环境监测的航线规划的研究。该综述遵循 PRISMA 2020 框架，已筛选了 2015 年至 2026 年间发表的 400 多篇研究。初步研究结果表明，研究重点在于覆盖优化和多无人机协调，而对天气和障碍物等环境因素的关注较少。相当一部分研究依赖于模拟，这表明模拟性能与实际性能之间可能存在差距。
-
神经外科手术脑部变形建模综述：学习方法显示出潜力但面临临床挑战
本系统性综述考察了用于影像引导的神经外科手术中脑部变形配准与建模的数据驱动方法，重点关注 2020 年至 2025 年间开发的基于学习的方法。研究人员分析了来自主要数据库的 46 篇符合条件的论文，将方法学分为图像配准的深度学习、直接变形场回归和混合模型等类别。虽然这些方法在准确性和效率方面显示出潜力，但在鲁棒性、标准化基准测试、可解释性和临床就绪性方面仍存在挑战。
-
人工智能分类系统重塑对公共管理学术研究的理解
一项发表在arXiv上的新研究探讨了包括人工智能辅助方法在内的不同学术表征系统如何对公共管理（PA）和人工智能在公共管理中的学术研究进行分类。研究发现，五种不同的方法在语料库规模、出版物类型和主题结构方面存在显著差异，这表明算法知识组织正在积极塑造跨学科领域的理解和边界。研究结果强调，人工智能驱动的分类是解释性的，并且会影响学科的演变，因此人类判断在补充人工智能工具方面仍然至关重要。
-
可解释AI在心力衰竭检测方面展现潜力但面临局限
最近对20项研究的回顾表明，虽然可解释人工智能（XAI）在检测和表征B期心力衰竭方面显示出潜力，但其目前的实施受到限制。关键问题包括XAI方法采用不一致，SHAP是最常用的但通常不足，并且在分析中缺乏对性别和种族亚组的考虑。此外，XAI输出的评估和外部验证常常不足，阻碍了通用性和临床应用。
-
人工智能和机器学习在图书馆中的应用：系统性综述
对实证研究进行的系统性综述，综合了关于人工智能（AI）和机器学习（ML）在图书馆中应用的研究。该综述分析了三十二篇选定的文章，发现LIS领域当前的研究主要集中在理论方面，但也注意到了一些实施项目和案例研究。这项工作旨在全面概述图书馆中的AI和ML，以指导研究人员、从业人员和教育工作者开发面向技术的方法并预测未来的创新。
-
新的采样方法改善多标签数据平衡
提出了一种基于多变量伯努利分布的新采样方法，用于标签频率差异显著的多标签数据集。该新算法通过从观察到的标签频率估计分布参数并计算每个标签组合的权重来考虑标签依赖性。将该方法应用于标记有64个生物医学主题类别的研究文章样本，成功创建了一个更平衡的子样本，在保留整体频率顺序的同时，改善了不太常见类别的代表性。
-
大型语言模型和引文拓扑重连碎片化的科学网络
研究人员开发了一个新框架，通过整合引文拓扑和基于大型语言模型的文本相似性来解决引文网络碎片化的问题。这种混合方法利用从大型语言模型分析中提取的语义边来增强现有的引文图，有效地重连了不相关的科学文章。该方法应用于大型出版物数据集，在保持学科一致性的同时显著减少了碎片化，并为聚类检测提供了更具可解释性的结构。
-
大语言模型与引文拓扑重连碎片化的学术网络
研究人员开发了一个新框架，通过将引文拓扑与基于大语言模型的文本相似性相结合，来解决引文网络中的碎片化问题。这种混合方法利用大语言模型识别语义上相似的文章，并将它们作为新的边添加到引文图中。该方法应用于超过60万篇出版物，在保持学科连贯性和提高聚类检测的同时，有效减少了碎片化。