cs 篇论文 | Gist.Science

本文介绍了 SRM-UNet，这是一种轻量化网络，它通过采用显式的结构-区域先验协作机制和多感受野学习，在具有模糊边界和不规则形状的皮肤镜图像上实现了高精度、资源高效的皮肤病变分割。

本文提出了一种智能跨模态对齐框架，该框架利用基于 GCLAN 的文本生成图像模块和基于 GQ2PHPT 的图像描述模块来建模照应依赖关系（Cataphora Dependencies），从而实现了成功率为 0.9422 且总准确率为 98.9734% 的高精度内容检索与生成。

本文提出了EAMF，这是一个面向决策的框架，通过构建互补证据来专门解决紧密竞争的情绪类别之间的歧义决策，从而通过增强多模态对话情感识别，在具有挑战性的少数类类别上实现性能提升。

本文提出了 CASCADE，一种用于场景文本识别的可解释自适应跨模态融合模块，该模块利用难度估计器和解耦门控机制来动态平衡视觉与语言特征，在多个基准测试中实现了最先进的性能，同时提供了透明的决策见解。

本文表明，在基于图的网络入侵检测中，当网络地址转换（NAT）将多个主机合并为少数身份时，边权重集中特征的表现优于传统的节点度指标，这揭示了这两类特征家族在身份塌缩轴上具有互补性，并且一组紧凑且无泄露的图上下文特征集即可在显著降低训练成本的同时，达到接近基准水平的性能。

本文提出了一种用于战术无线传感器网络的智能多目标簇头选择框架，该框架集成了 K-Means 空间聚类、时间异常检测和 Q-learning，旨在同时优化能量效率、安全性以及信息新鲜度（AoI），并通过仿真实验证明了其相对于现有方法的优越性能。

这项针对33项研究的系统综述表明，虽然基于编码器的3D GAN反转能够主要在高端硬件上利用基于EG3D的架构实现实时重建与编辑，但其广泛采用目前仍受限于在速度与3D一致性之间取得平衡的挑战，以及在正面人脸数据集之外缺乏鲁棒几何评估的问题。

本文引入并实证验证了公平性风险分析（Fairness Hazard Analysis, FHA），这是一种在需求工程阶段系统地识别和缓解社会技术过程中公平性风险的结构化方法论，并通过焦点小组讨论和组织环境下的多案例研究证明了其在实际应用中的有效性。

本文提出了 EduReview-QE，这是一个具备可信度感知与可解释性的多准则框架，通过将评论分解为属性-情感单元、进行可信度与时间相关性过滤，并利用熵/CRITIC 加权法与 TOPSIS 校准来聚合维度层级的评分，从而将嘈杂的在线评论转化为诊断性教学改革证据，实现了卓越的评估性能。

本文提出了一种轻量级自适应融合策略，通过结合闭世界分类器与无监督开集检测器，显著提升了工业物联网中的零日攻击检测能力，在展现出优于既有基准模型的卓越性能的同时，也承认了其在跨数据集迁移性方面的局限性。