cs 篇论文 | Gist.Science

这项元分析表明，中小企业网络中基础遥测服务（AAA、NTP 和 Syslog）的配置错误会通过导致取证时间线崩溃、不可否认性丧失以及可见性盲点，从而严重削弱事件响应能力，进而凸显了使用无风险虚拟沙箱来主动识别并缓解这些系统性风险的必要性。

本文介绍了 ARQM，一种自动化需求质量管理工具，它利用现代人工智能、机器学习方法以及可解释人工智能，基于 IEEE 29148:2018 标准进行需求筛选和质量分析，展示了这些技术在学习通用模式的同时实现检测到的违规行为可视化的潜力。

本研究通过实证表明，传统的确定性安全工具无法检测出生成式人工智能在 CI/CD 流水线中引入的、具有上下文相关性且语法有效的漏洞，从而凸显了对概率性、意图感知验证框架的迫切需求。

本文提出了 GLFA-Net，一种实时无人机车辆检测框架，该框架集成了一个双向全局-局部特征聚合网络和一个并行混合注意力模块，以克服小目标检测和尺度变化等挑战，并在多个公开基准测试上实现了最先进的性能。

本文提出了 RLPF-YOLO，这是一种专为边缘设备设计的轻量化且分辨率灵活的目标检测器，它采用了“特征补偿”理念，并利用 C2F-FCM、RMKPConv 和 RCBAM 等新颖模块，在显著减少参数量的同时，提升了无人机场景下小目标的检测精度。

该论文提出了 LSTA-KT，这是一种可解释的知识追踪模型，它结合了双流长短期注意力机制与几何查询对齐，以有效地平衡全局学习趋势与局部波动，同时过滤噪声并提供透明的教育评估。

本文提出了一种无线传感器网络驱动的深度学习框架，该框架将工业现场感知数据与多模态文本分析相结合，旨在为工业4.0应用中的中英翻译实现低延迟、高准确度的实时文化适切性评估。

本文提出了一种正则化通道注意力对抗框架，通过集成用于特征重校准的挤压-激励注意力、更深的判别器以及全变分正则化，来增强非配对图像翻译，从而在基准数据集上提升感知质量、结构保真度和纹理一致性。

本研究表明，生成式人工智能的兴起通过替代常规交互，中断了在线知识社区中的合法边缘参与，从而导致了以模块化程度增加和新手留存率大幅下降为特征的结构性闭合，尤其是在程序可编码性较高的算法领域中。

这项针对哈尔格萨大学的研究表明，尽管多种因素与管理信息系统的实施相关，但只有行政承诺和 IT 人员能力是显著的独立预测因子，这凸显了在资源匮乏且处于冲突后时期的高等教育背景下，领导力和技术专业知识是数字化转型的主要驱动力。