2266 篇论文
本文介绍了 DOLPHIN，这是一个利用离线大语言模型和检索增强生成技术来显著增强数字取证调查准备就绪性的隐私保护框架，通过准确评估证据完整性、检测特定缺口并减少案件准备时间，同时确保数据保持本地化。
本文介绍了 Text2Cypher-Hub，这是一个通过发布三个经过策划的特定领域基准测试，并建立一个用于共享数据集、模型和工具的标准注册表，从而解决将自然语言转换为 Cypher 查询的高质量评估资源匮乏问题的社区驱动型平台。
本文提出了一种伪标签驱动的图像篡改定位方法，该方法具有篡改类型感知的动态多分支解码器，通过整合多尺度特征、针对复制-移动伪造的源-目标对应关系监督以及自适应线索融合，有效地解决了异构取证痕迹问题，从而在不同数据集上实现了高精度和高泛化性。
这项可复现的多数据集评估表明，自适应特征组掩码在提高针对特征集偏移的鲁棒性方面，并未显著优于更简单的非自适应破坏策略，这表明对于该任务而言，匹配的对照组和数据集层面的推理比复杂的自适应机制更为关键。
这项初步研究表明，应用于精神医学知识问题的轻量级开源权重语言模型表现出较差的置信度校准能力、具有领域依赖性的准确率排名，并且在经过严格的配对统计评估时，提示其放弃回答往往会降低而非提高性能。
本文介绍了 xLaDe，这是一个旨在通过记录工具链元数据并在不修改源代码的情况下管理实验环境，从而确保形式化数学的长期可复现性与可持续性的 Lean 4 生态系统框架，以此应对该语言快速演进所带来的挑战。
本系统性文献综述分析了十六项关于噪声检索增强生成（RAG）系统中自适应上下文依赖控制的研究，识别了当前噪声感知记忆策略中的关键空白，并提出了 ACRC 框架，旨在动态平衡大语言模型（LLM）的内部知识与检索证据质量。
本文提出了 RLo-RAG，一种通过 LoRA 增强的基于强化学习的多轮检索增强生成模型，该模型利用动态奖励函数迭代检索高相关性文档块，与传统的 RAG 方法相比，显著提高了工业文档的检索精度和生成质量。
本文提出了 DA-LightNet，这是一种轻量级、统一的深度学习网络，通过采用退化感知调制模块和高效卷积块，在平衡高恢复质量与低计算成本的同时，实现在资源受限的边缘设备上实时去除雨雾。
本文提出了一种用于多轮情感语音合成的上下文自适应框架，该框架利用历史对话记忆以及语音信号与文本的双模态联合输入来动态预测并控制声学特征，从而克服传统基于转录的方法的局限性，以实现自然且情感连贯的响应。