3962 篇论文
本文介绍了一种攻击类型感知型动态贝叶斯防御（ATA-DBD）模型，该模型通过通过独立的收益结构和动态信念更新过程来区分暴力破解攻击和 SQL 注入攻击，从而增强了一个三层非零和博弈，并在受控模拟中证明了其与静态及合并策略相比，在防御成功率、资源效率和效用方面的优越性。
本文通过对针对 SMPD1 的 AI 智能体药物发现工作流进行计算案例研究，展示了对抗性审查如何揭示了改变核心结论的关键错误，并强调了当前自我审查机制的局限性，同时提供了一套可复用的审计协议而非经过验证的候选药物。
本文提出了空间-梯度-频率融合网络（SGFF-Net），这是一个整合了空间、梯度和频率特征的多领域深度伪造检测框架，旨在增强对不同生成器的泛化能力，同时强调尽管通过多源训练和数据增强提升了迁移性，但在现实场景中仍然存在显著的领域差异。
本文识别并量化了工具增强型大语言模型（LLM）训练中的一个关键缺陷，即标准序列构建策略会切断助手目标与其来源工具观测值之间的联系，并提出了一种重构策略，旨在显著提高监督覆盖率和上下文完整性，同时减少 Token 冗余。
本文通过引入一个用于生成并验证 GF(2) 上极小线性直线程序最优性断言的 DRAT 证明的认证流水线，解决了程序合成中的“反驳差距”问题，从而在正式验证了 121 个此前未经认证的结果的同时，也揭示了关键的验证障碍和自发现的伪影。
本研究表明，一个可审计的大型语言模型流水线可以通过在筛选和数据提取方面与人类专家实现高度一致，从而有效地支持系统文献综述，尤其在复杂领域表现出色，同时也凸显了在处理关于未报告信息的二元问题时所面临的具体挑战。
本文提出了一种多任务深度学习系统，该系统将四个专门的卷积神经网络模型集成到用于自动化垃圾分类的顺序流水线中，并通过严格的统计测试进行了验证，并部署在与雀巢（Nestlé）及 Dawar 合作开发的物理智能垃圾箱原型中，在现实世界的区域数据上实现了 92.4% 的准确率。
本研究提出了一种用于胃肠内窥镜检查的风险感知深度学习框架，该框架利用可调不对称损失函数、不确定性引导的转诊策略以及轻量化架构，在实现高性能四分类风险分层的同时，通过提升高风险和癌前病变的优先级来优先保障安全性。
本研究通过向未标记的 Microsoft Azure 追踪数据中注入攻击，对一种用于云存储的半合成入侵检测原型进行了实证评估，发现虽然随机森林模型能提供有用的排序信号，但其在时间性工作负载漂移下的不稳定表现以及对低速慢速攻击（low-and-slow attacks）的检测能力不足，表明其尚未准备好进行生产部署。
这项受控研究评估了五种 ImageNet 预训练 RGB 骨干网络和两种轻量级探测器在深度伪造检测中的跨数据集泛化能力，揭示了源域覆盖范围和评估协议在解决 FaceForensics++、Celeb-DF 和 DFD 数据集之间的性能差距方面，与骨干网络选择同样至关重要。