医学 AI

Analysing Lightweight Large Language Models for Biomedical Named Entity Recognition on Diverse Ouput Formats

分析轻量级大语言模型在多种输出格式上的生物医学命名实体识别

Pierre Epron, Adrien Coulet, Mehwish Alam

机构 * Inria, Inserm, Université Paris Cité, HeKA, UMR 1346, Paris, France（法国国家科学研究中心（Inria）、法国国家医学研究院（Inserm）、巴黎城市大学（Université Paris Cité）、HeKA、法国国家科研机构（UMR 1346）、巴黎） ； Télécom Paris, Institut Polytechnique de Paris, France（巴黎电信学院（Télécom Paris）、巴黎理工学院（Institut Polytechnique de Paris）、法国） 纠错

专题命中 生物医学文本 ：biomedical(title,abstract)

AI总结 研究轻量级大语言模型在生物医学命名实体识别中的性能，评估不同输出格式对模型表现的影响，发现轻量级模型在资源受限环境下具有竞争力。

Comments LREC 2026 - Language Resources and Evaluation Conference, May 2026, Palma De Majorque, Spain

Real-Time Minimum-Energy Operating-Point Tracking for Battery-Powered Micro DC Motors Under Dynamically Variable Loading

为电池供电的微型直流电机在动态可变负载下的实时最小能耗运行点跟踪

Tzu-Hsiang Huang, Haojian Lu, Hen-Wei Huang, Tan Rong

专题命中 生物医学文本 ：biomedical(abstract)；分类 eess.SP

AI总结 本文提出一种实时跟踪方法，使电机自主收敛到最小能耗状态，通过轻量级负载指标和两阶段自适应电压策略，在动态负载下实现高效能运行。

Comments 7 pages, 8 figures, 2026 IEEE/ASME International Conference on Advanced Intelligent Mechatronics

RoseCDL: Robust and Scalable Convolutional Dictionary Learning for Rare event and Anomaly Detection

RoseCDL: 用于稀有事件和异常检测的鲁棒且可扩展的卷积字典学习

Jad Yehya, Mansour Benbakoura, Cédric Allain, Benoît Malezieux, Matthieu Kowalski, Thomas Moreau

机构 * Université Paris-Saclay, Inria, CEA（巴黎-萨克雷大学，法国国家信息与自动化研究所，法国国家科学研究中心） ； Université Paris-Saclay, Inria, CNRS, Laboratoire Interdisciplinaire des Sciences du Numériques（巴黎-萨克雷大学，法国国家信息与自动化研究所，法国国家科学研究中心，跨学科数字科学实验室） 纠错

专题命中 生物医学文本 ：biomedical(abstract)；分类 cs.LG

AI总结 RoseCDL通过高效训练和在线异常检测方法，提升大规模信号中稀有事件和异常检测的鲁棒性和效率。

Comments Accepted to the 29th International Conference on Artificial Intelligence and Statistics (AISTATS) 2026

Robust Clustering Analysis of Genes Related to Age-related Macular Degeneration using RNA-Seq

利用RNA-Seq数据对年龄相关性黄斑变性相关基因进行稳健聚类分析

Brayan Gutierrez, Rinki Ratnapriya, Arko Barman

专题命中 生物医学文本 ：biomedical(abstract)；分类 q-bio

AI总结 本文通过改进的MEGENA框架对AMD患者和对照组RNA-Seq数据进行稳健聚类分析，提出模块质量评估指标和稳定性测试，揭示基因模块的调控差异，发现潜在的新基因和模块，为AMD机制研究提供依据。

BioGraphletQA: Knowledge-Anchored Generation of Complex QA Datasets

BioGraphletQA: 基于知识图谱的复杂问答数据集生成

Richard A. A. Jonker, Bárbara Maria Ribeiro de Abreu Martins, Sérgio Matos

机构 * IEETA, DETI, LASI, University of Aveiro（IEETA、DETI、LASI、阿维罗大学） ； USF Atlântico Norte（大西洋北USF） 纠错

专题命中 生物医学文本 ：biomedical(abstract)

AI总结 本文提出一个系统化生成复杂问答数据的框架，通过图let锚定生成过程，利用知识图谱的小子图控制生成复杂度并确保事实准确性。BioGraphletQA数据集包含119,856对问答，基于OREGANO知识图谱的图let生成，提升问答任务的准确性和科学性。

Comments 15 pages, 7 figures, conference (ECIR)

Journal ref Advances in Information Retrieval: 48th European Conference on Information Retrieval, ECIR 2026, Delft, The Netherlands, March 29 - April 2, 2026, Proceedings, Part IV