期刊论文提交的空间-时间模式分析

本文研究了期刊提交截止日期的问题。通常，研究论文期刊并没有设定提交截止日期，因此何时为提交论文的截止日期以及这个截止日期与日期和空间分布的关系就产生了一个有趣的问题。揭示论文截止日期形成背后的原因可以有利于评审流程的组织。在这篇论文中，我们分析了论文提交截止日期的成因，并探讨了它与论文质量和期刊效率之间的关系。

CNVSRC 2023：首届中文连续视觉语音识别挑战赛

这篇论文回顾了中国首届连续视觉语音识别挑战赛，该挑战旨在评估大型词汇连续视觉语音识别（LVC-VSR）在两个任务上的性能：(1)特定说话人的单说话人VSR和(2)注册说话人的多说话人VSR。挑战取得了高度成功的成果，最佳提交显著优于基线，特别是在单说话人任务中。本文全面审视了该挑战，涵盖了数据概况、任务规范和基线系统构建。它还总结了提交系统所采用的代表性技术，突出了最有效的方法。有关此挑战的更多信息和资源可通过官方网站http://cnceleb.org/competition获取。

稿件提交

摘要： 本研究探讨了基于深度学习的自然语言处理在医疗健康领域的应用。通过构建大型医疗数据集，研究人员训练了一种新型神经网络模型，用于自动识别疾病相关症状和体征。实验结果显示，该模型在多组测试数据上达到了较高的准确率，表明深度学习技术能够有效提升医疗信息的自动化处理能力。此外，研究还分析了模型的泛化性能，并讨论了未来将深度学习应用于临床决策支持系统的潜力。这项工作为实现精准医疗提供了技术支持，有望改善诊断效率并促进个性化治疗的发展。

全球正则化邻域回归用于高效的零镜头纹理异常检测

本文提出了一种名为Global-Regularized Neighborhood Regression（GRNR）的新零次元表纹理异常检测方法。与传统方法不同，GRNR可以在没有任何训练数据或成本的情况下检测任意纹理表面的异常。它借鉴人类视觉认知，从测试纹理图像中直接导出两个内在先验支持：具有相干相似性的局部邻域先验和具有典型正常模式的全局正常性先验。GRNR的基本原理涉及利用提取的两种内在支持先验对查询样本进行自重构回归。该过程利用局部邻居支持变换，并由全局正常性支持正则化，旨在不仅实现视觉上一致的重建结果，还保持正常性属性。我们在八个基准数据集上验证了GRNR在各种工业场景中的有效性，表明它在不需要训练数据的情况下就能表现出卓越的检测性能。值得注意的是，我们的方法适用于开放集纹理缺陷检测，甚至可以超越那些需要大量训练的现有普通方法。

DocNet：归纳偏差检测模型中的语义结构

本文探讨了新闻报道中的偏见检测问题。随着社交媒体成为获取新闻的主要渠道，人们对于辨别新闻偏见的需求日益增长。为此，研究者们探索了一种常被忽视的检测方法——文档的语义结构。他们提出了DocNet模型，这是一种新颖的归纳式、低资源文档嵌入和偏见检测模型，其性能优于大型语言模型。研究发现，来自对立政治立场的新闻文章，在文档级图嵌入中表现出显著的相似性。这一发现可以促进在低资源环境下的偏见检测技术的发展。相关代码和数据已在https://github.com/nlpresearchanon网站上公开。