2358 篇论文
本文介绍了多层级调节引擎（MLRE），这是一种社会适应型智能辅导系统架构，旨在调节异质协作场景下个体、双人及小组层级的学习，该架构已通过离线建模与仿真得到了部分验证，以提高参与公平性，并提出了用于全面评估的未来实地研究方案。
本文介绍了 BSPAL，这是一个用于视觉异常定位的事务性增量式自适应框架，该框架在未知流污染的情况下确保了因果完整性和有界状态，同时由于事后审计发现 VisA 数据集存在数据泄露，本文明确声明不进行基准性能提升的说明。
本文证明了一个统一的图神经网络流水线能够成功地从有限群的凯莱图中学习并泛化多种基本的代数性质（阿贝尔性、幂零性和可解性），在实现高准确率的同时，揭示了不同的性质需要不同的架构复杂度。
本文提出了一种显著简化且近乎最优的自打印（奎因）图灵机程序，该程序不仅能从空白纸带中重现自身的代码，还能打印任何其他程序，从而推进了自我复制和人工生命的理论模型。
本文提出了一种用于长程个性化智能体的可编辑多模态记忆系统，该系统利用基于强化学习的演员-评论家管理器来动态地过滤、更新和剔除异构证据，同时保持偏好一致性并防止存储错误，其在广泛交互流中的召回率和记忆管理方面显著优于基准方法。
本研究表明，虽然从强大的围棋 AI 中蒸馏出的价值头可能会产生一个虽经校准但缺乏判别力的评估器，从而破坏 MCTS 搜索性能，但搜索过程本身仍然是一个极其有效的教师，因为通过训练策略去模仿 MCTS 的访问计数，尽管在推理阶段搜索无法选择更好的移动，仍能获得显著的强度提升。
本研究提出了一种综合性的故障转移验证框架，该框架集成了故障注入、状态监控以及基于 DeepAR 的概率预测，旨在定量评估并优化跨区域云服务的恢复目标，成功将中位故障转移时间从 31.4 分钟降低至 12.7 分钟，同时显著增强了数据一致性并最大限度地减少了二次故障。
这项针对57项研究（2020–2025年）的系统性文献综述评估了用于CT病灶分类的深度学习方法，强调了混合CNN-Transformer架构和迁移学习的卓越性能，同时指出了目前阻碍广泛应用的在数据集多样性、外部验证和临床可解释性方面的关键缺陷。
本文介绍了 VQD-CTS 预测模型，这是一种通过综合速度（Velocity）、质量（Quality）和开发者体验（Developer Experience）的工程指标来有效预测服务成本（R² = 0.885）的 AI 驱动集成回归框架，从而使组织能够基于代码复杂度和周期时间等关键驱动因素来预测预算并优化投资。
AutoRE-NS 是一种可解释的神经符号强化学习框架，它通过集成语义分析、形式化验证和自适应策略优化来解决冲突、消除重复并提高完整性和原子性等指标，从而显著增强工业需求的质量。