💻 计算机科学
Hierarchical Deep Counterfactual Regret Minimization
本文介绍了分层深度反事实遗憾最小化（HDCFR），这是一种将基于技能的分层策略学习与深度 CFR 相结合的新型算法，通过允许使用预定义的专业知识和可迁移技能，提高了解决大规模非完全信息博弈的效率。
💻 Category
cs
4030 篇论文
💻 计算机科学
An Efficient and Explainable CNN-Transformer Architecture for Brain Tumor MRI Classification with Deployment-Oriented Benchmarking
本文提出了一种高效且可解释的 CNN-Transformer 混合架构，该架构将预训练的 ResNet50 骨干网络与轻量化 Transformer 头部相结合，在实现 97.40% 的脑肿瘤 MRI 分类准确率的同时保持了计算效率并提供了双层视觉可解释性，显著优于 PCA-SVM 基准模型且开销极小。
💻 计算机科学
DERC: Distributed Edge Reservoir Computation for Many Agents
本文介绍了 DERC，一种分布式边缘储备池计算框架，该框架利用单个经过混沌边缘调优的模型，在众多智能体之间高效且准确地执行多样化的计算任务，证明了储备池规模与预测精度并不相关，并且此类轻量级模型可以在电网和负荷预测等实际应用中达到与更耗资源的替代方案相媲美的性能。
💻 计算机科学
Causal-Reasoning World Models: Toward AI’s Subjectivity through Backward Generation
本文提出了一种从基于名词的因果推理向基于动词的因果推理转变的范式转移，引入了一种“可能时间分布”框架，通过乳腺癌患者轨迹的演示，实现了类智能体的世界建模和个体层面的反事实演绎，从而为人工智能的主观性奠定了理论基础。
💻 计算机科学
TeNS: A Temporal Neural Scoring Model for Temporal Knowledge Graph Completion
该论文提出了 TeNS，一种用于时序知识图谱补全的 Temporal Neural Scoring 模型，该模型利用可学习的时间编码器和多层感知机评分网络来捕捉复杂的时序模式和深层非线性交互，从而在链路预测任务中超越了现有的基准模型。
💻 计算机科学
JoinFinder: A Multi-Modal Architecture for Historical Manuscript Page Identification
JoinFinder 是一个多模态深度学习框架，它利用手稿身份作为一种可扩展的有监督代理，来学习用于识别和检索历史手稿碎片的鲁棒嵌入，从而在无需显式拼接注释的情况下，在开罗藏经阁（Cairo Geniza）语料库中实现发现候选拼接点的卓越性能。
💻 计算机科学
Mechanistic Interpretability of Discrete Logarithm Grokking: How Representation Determines the Internal Algorithm
本文表明，离散对数问题的输入表示从根本上决定了神经网络所发现的内部算法，揭示了与问题真实分解结构的代数对齐是实现快速泛化（grokking）的先决条件，并且必要的富交互计算结构在性能提升之前很久就在记忆阶段形成了。
💻 计算机科学
From Pixels to Pairs: A Comprehensive Benchmark of LLM-Driven Key–Value Extraction in Noisy Document Settings
本文引入了一个全面的基准测试框架，用于评估大语言模型在从含有噪声的 OCR 生成文档中提取键值对方面的鲁棒性，揭示了干净文本的表现是衡量现实世界可靠性的不可靠指标，并挑战了关于模型排名一致性以及少样本提示具有单调收益的假设。
💻 计算机科学
Reliability Modeling and Automated Incident Response for Cadence Based Distributed Systems SRE Signals and RCA Automation
本文提出了一种针对基于 Cadence 的分布式系统的可靠性感知自动化事件响应框架，该框架集成了工作流级可靠性建模与增强型监控信号，旨在加速检测与恢复，同时提升系统的长期稳定性。
💻 计算机科学
Learning the Limits of Discovery: Distinct Failure Signatures of SINDy, Neural ODEs, and PINNs Under Sparse and Noisy Observations
本文系统地评估了 SINDy、Neural ODEs 和 PINNs 在稀疏且含噪声观测下的不同失效特征，揭示了噪声、采样几何以及优化设置如何差异化地影响它们在各种动力系统中的精度、稳定性及预测准确性。