多模态信息融合

Open datasets and machine learning for two-phase heat transfer: a review following a spatial-temporal taxonomy

用于多相输运和热系统数据驱动建模的开放多模态数据集与开源软件

Christy Dunlap, Ridwan Olabiyi, Firas Al-Hindawi, Hari Pandey, Stephen Pierson, Daniel Curl, Braden Stevens, Mohammad Ishraq Hossain, Annapurna Parjuli, Chinmaya Joshi, Ashif Iquebal, Han Hu

机构 * Department of Mechanical Engineering, University of Arkansas（阿肯色大学机械工程系） 纠错

专题命中 红外-可见光融合 ：multimodal fusion(abstract)

AI总结 本文介绍了一个由NED3实验室开发的开放多模态数据集和开源软件生态系统，提出了空间加时间维度（S+TD）分类框架，并重点描述了SeqReg序列回归库，以推动可复现的AI赋能热流体研究。

Comments Accepted manuscript replacing arXiv:2605.23037 (https://arxiv.org/abs/2605.23037) (v1). Substantially expanded from the original preprint and published in Transport Phenomena 2026, 1(3), 20260081. this https URL (https://doi.org/10.1515/tp-2026-0081)

Clinical Pathways Matter for Multimodal Deep Learning in Early Alzheimers Disease Detection

临床路径对早期阿尔茨海默病检测中的多模态深度学习至关重要

Yao Lu, Solveig Kristina Hammonds, Alvaro Fernandez-Quilez

专题命中 医学影像融合 ：multimodal fusion(abstract)；分类 eess.IV

AI总结 该研究提出基于SigLIP的零样本多模态框架，结合结构MRI与常规临床变量，在ADNI队列中实现早期阿尔茨海默病风险分层，性能优于传统模型，且可扩展至纵向数据。

Comments Published

Multi-Observer Vehicle Localization Case Study with Roadside Radar and Connected Vehicle Sensing

基于路侧雷达与网联车辆感知的多观测器车辆定位案例研究

Aleksi Pippuri, Nilusha Jayawickrama, Risto Ojala

机构 * Aalto University（阿尔托大学） 纠错

专题命中 自动驾驶多传感器融合 ：decision-level fusion(abstract)；分类 cs.CV、cs.RO

AI总结 本文提出融合路侧雷达与网联车辆感知的多观测器车辆定位框架，经实测数据验证，其性能受场景影响，AEKF可小幅优于仅用LiDAR的基线，相关成果与代码已开源。

Comments 12 pages, 7 figures and 8 tables

Information fusion and machine learning for sensitivity analysis using physics knowledge and experimental data

融合信息与机器学习的敏感性分析：利用物理知识与实验数据

Berkcan Kapusuzoglu, Sankaran Mahadevan

专题命中 融合架构与评测 ：information fusion(title)

AI总结 本文提出结合物理知识与实验数据的物理信息机器学习策略，构建DNN和GP模型并融入物理约束，经实例验证可提升全局敏感性分析的准确性。

Comments Reliability Engineering & System Safety

A decodability criterion predicts when hidden-state selection beats majority voting in large language models

可解码性准则预测大型语言模型中隐藏状态选择何时优于多数投票

Zhixiang wang, Ziliang Hong, Ulas Bagci

机构 * Northwestern University（西北大学） 纠错

专题命中 融合架构与评测 ：information fusion(abstract)

AI总结 该研究提出可解码性准则及CASE方法，可预测大型语言模型中隐藏状态选择何时优于多数投票，CASE在通用和医疗LLM的中、高难度问题上均有显著提升，且预测可跨领域迁移。

On the Estimation of Chernoff Information

关于Chernoff信息的估计

Kadircan Aksoy, Peter Jung

专题命中 融合架构与评测 ：information fusion(abstract)

AI总结 针对Chernoff信息非参数估计的难题，通过导数条件重构优化并结合k近邻法与二分法，证明了导数估计量的L₂一致性，提出了Chernoff信息的非参数估计方法。