HGIRank: Multi-View Hypergraph Reasoning for Influential Node Identification in Complex Networks
HGIRank 是一个多视图超图推理框架,它通过构建互补的自我、扩散和核心超图视图,并采用自适应推理机制来捕获高阶结构上下文,从而识别影响力节点,在无需微调的情况下实现了在异构网络上的卓越泛化能力。
4031 篇论文
HGIRank 是一个多视图超图推理框架,它通过构建互补的自我、扩散和核心超图视图,并采用自适应推理机制来捕获高阶结构上下文,从而识别影响力节点,在无需微调的情况下实现了在异构网络上的卓越泛化能力。
本文提出了一种 DRD-YOLOv11n,这是一种轻量级且高速的矸石检测与姿态估计方法,通过集成 DySample、残差增强模块以及基于 DCNv3 的动态检测头,在挑战性的工业环境中实现了 85.6% 的 mAP 和 90% 的机器人分选抓取成功率。
本文介绍了 AGWO-VMC,这是一种采用梯度反馈衰减机制、概率编码和局部搜索的自适应灰狼优化算法,与现有的元启发式方法相比,该算法显著降低了绿色数据中心的能耗和 SLA 违规。
这项回顾性案例研究表明,一位没有游戏编程经验的遗产专家,通过利用语言模型智能体将自然语言规范转化为代码,成功地为萨杜斯(Sadous)遗产村开发了一个双语、跨平台的 WebXR 应用程序,从而弥合了现实捕捉与可部署交互式遗产体验之间的鸿沟。
本文提出了一种基于深度学习的半导体封装外观缺陷检测框架,该框架集成了分布式工业物联网(IIoT)基础设施和合成数据增强技术,并证明了 YOLO11 架构在混合实测-合成数据集上实现了 93.5% 的 mAP@0.5,表现出卓越的性能。
本文介绍了 LMFR-SID,这是一种轻量级且具有可解释性的合成图像检测器,它通过融合视觉、光谱和传感器噪声证据来生成高准确度的可审计自然语言解释,旨在通过克服现有黑盒分类器的不透明性,来恢复公众对数字媒体的信任。
本研究建立了一个可复现的 BM25 检索基准,并证明了一种轻量级、证据感知的逻辑选择器通过利用词汇和语言组成特征来实现选择性弃权,从而显著降低了低资源波斯语科学问答中的无依据回答率。
这项研究表明,尽管英语、西班牙语和法语的大型语言模型普遍能够理解标量蕴含(scalar entailments),但它们经常无法将“通过过度进行的纠正性否定”(例如,“不是温暖而是沸腾”)解释为拒绝一个程度较弱的词而非否定一个事实,尽管当这种纠正被“而是”(but rather)等短语明确标记时,它们的准确率会有所提高。
本研究通过实验证明,在特定的单核条件下,使用 20,000 个向量的数据集,配置为 IndexFlatL2 的 FAISS 显著优于基于 HNSW 的 Qdrant 本地模式(Local Mode),其延迟降低了约 24.9 倍且吞吐量更高,从而突显了专业化向量检索库与面向数据库系统之间的性能权衡。
本文引入了优化器无关的精英记忆再注入算子(EEO),旨在证明虽然在各种基准测试中,重新引入历史精英解可以显著增强诸如灰狼优化算法等特定的基于种群的优化器,但其有效性高度依赖于宿主算法的动力学特性,而非仅取决于算子本身。