cs 篇论文 | Gist.Science

本研究通过临床实践与理论协作证明，真正的真人机共生并非通过算法价值对齐来实现，而是通过在长期关系动态中传递并沉淀人类的方向性关怀，从而产生稳定的、价值对齐的共鸣，以此挑战了人工智能的结构性冷漠会阻碍真诚关怀实现的这一观点。

本文提出了 FGC-UFLD，这是一个统一的面部关键点检测框架，该框架通过集成频率感知表示模块（DiC-Wave 和 PFAM）来增强结构建模，并利用锚点引导梯度修正（AGGC）策略来解决优化冲突，从而凭借单一模型在异构数据集上实现了最先进的性能。

本文提出了 IGKSO，这是一种增强型成吉思汗鲨优化算法，该算法通过引入新型生存纽带、明暗交互策略、自适应参数以及鱼群聚集装置，以有效解决复杂的静态和动态工程优化问题，并提升了精度与全局搜索能力。

本文介绍了 DMO-AI，一种风险感知型编排器，它能够根据任务风险和依赖健康状况，为云-边 AI 智能体动态选择降级执行模式，并通过广泛的容器化和异构 Kubernetes 验证，证明了其在保持严格策略合规性的同时，显著提高了安全完成率（93.95% 对比 64.70%），优于标准的传输层韧性。

本文提出了一种基于 YOLOv12s 的 IR-PowerDet 框架，该框架结合了多尺度特征融合、动态环境自适应和微小目标增强模块，旨在实现复杂及遮挡场景下红外电力设备的鲁棒、高精度检测，其 mAP 达到了 96.8%。

本文提出了一种经过统计验证的、具备密度感知能力的混合框架，该框架将 XGBoost 与无监督异常评分相结合，以稳健地检测恶意 DNS-over-HTTPS 隧道，在提升召回率和降低漏报率方面较基准模型表现出显著改进，同时证实了深度生成组件并不能提供额外的收益。

本文提出了一种用于物联网中隐私保护联邦学习的自适应资源感知型 MK-CKKS 框架，该框架通过在 MNIST 和 CIFAR-10 上的真实实验实现了线性复杂度的多密钥聚合和显著的性能提升，同时透明地承认独立密钥构建和物理硬件验证仍属于未来工作。

本文介绍了 $(\tau)$ -Guard，这是一种用于视觉识别系统的无标签漂移检测方法，它通过监测预测熵与特征空间新颖度得分之间的秩一致性，实现了对模型重校准的可证明不变性，从而在保持对真实分布偏移的敏感性的同时，避免了困扰现有基于置信度监控器的虚假阳性问题。

本文识别并量化了几何学习中因过度对称导致丢弃关键相位信息的“过度不变性”失效问题，并提出了一种名为投影特征池化（PCP）的针对性修复机制，该机制能有效恢复相位通道并提升诊断平坦度，优于标准的仅幅度模型，尽管它仍是一个受限的解决方案，而非轨道平均（orbit averaging）的通用替代方案。

本文提出了一种测量驱动的自适应数据分区控制器，该控制器根据实时训练时间和能量指标动态重新分配样本预算，旨在缓解掉队者问题、降低能耗，并提高异构分布式及联邦学习系统的训练效率。