cs 篇论文 | Gist.Science

DriGitScale 是一个面向 Kubernetes 的漂移感知型 GitOps 框架，它通过将扩缩容决策建模为一个一致性管理问题，从而共同评估预测、资源和配置层面的漂移，在减少不必要扩缩容动作的同时，保持在多种负载条件下的竞争性响应能力，进而增强了自动扩缩容的稳定性与部署的一致性。

本文提出了无二次卡顿（No Secondary Rebuffering, NSR），这是一种帧级播放恢复控制器，它通过估算带宽和缓存消耗来动态预测并防止二次卡顿事件，从而在与固定和自适应基准模型的对比中，一致地提升了各种自适应比特率算法的会话服务质量（QoS）。

本文提出了一种自主探索框架，该框架利用具有卡尔曼滤波持久轨迹和不确定性感知目标切换的决策层来优化边界选择，使经过PPO训练的机器人在现实世界实验中能够以比非切换基准快20.3%的速度且减少19.4%的行程，实现95%的覆盖率。

本文提出了 VDSAC-TD3，一种新型的多智能体深度强化学习框架，该框架集成了价值分解、最大熵正则化和双延迟机制，旨在优化卫星-无人机异构网络中的协同覆盖，同时有效应对能量约束、安全需求和动态环境挑战。

本文提出了一种轻量级、增强注意力的 CNN-BiLSTM 框架，用于资源受限的 IoT 网络中的入侵检测，该框架利用基于互信息的特征选择，在 UNSW-NB15 基准测试的验证下，在边缘设备上实现了具有竞争力的性能和内在的可解释性。

本文介绍了 TaleTutor AI，这是一个将具有教学结构化叙事进度的框架与基于掌握程度的支架式教学相结合，以提供个性化教育的自适应框架，并通过在 ScienceQA 课程上的评估，证明了该系统有效地平衡了叙事连贯性、事实一致性以及差异化教学支持。

BudgetFunnel 是一个由追踪驱动的由粗到精的框架，它通过轻量级筛选和具有前驱感知能力的贪心分配器，在异构无服务器函数之间分配共享的热保留预算，实现了接近最优的冷启动缓解效果，且与全评估及现有基准策略相比，显著降低了评估开销。

本研究提出了一种通过回归分析将功能规模度量（UFP 和 CFP）与功能复杂度度量（CC 和 YC）相结合的软件规模估算模型，证明了结合这些指标——特别是将 UFP 与复杂度度量相结合——能够显著降低估算误差，并提高诸如 COCOMO II 等应用的预测准确性。

本文提出了一种精确的中间表示，通过将脉冲形状模板与特定事件的描述符解耦来消除冗余的形状计算，在保持机器精度准确性的同时，实现了脉冲级编译量级的加速。

本文提出了 SLDMG，一种稀疏低冗余多标签特征选择方法，该方法通过从低质量输入构建高质量动态图矩阵并消除冗余特征来增强模型性能，在 Macro-F1 指标上较现有最先进方法实现了显著提升。