cs 篇论文 | Gist.Science

本研究提出了一种量子增强型欺诈检测框架，该框架将经典数据预处理与基于 ZZFeatureMap 的量子态编码以及量子支持向量机分类器相结合，实现了在识别金融交易异常方面达到 91% 的准确率，展示了量子机器学习相较于传统方法的卓越潜力。

本文提出了 HLNet，一种用于半监督医学图像分割的高置信度轻量化网络，该网络利用双层扰动和证据推理学习（EVIL）来减轻错误伪标签监督并降低模型复杂度，在仅使用 20% 有标签数据的情况下，在公开数据集上实现了卓越的性能。

本文提出了一种基于 Point Transformer v3 构建的类别感知且质心引导的点变换器，通过类别平衡注意力模块、动态损失函数和质心引导后处理，解决了 3D 耳部区域分割中的类别不平衡和边界模糊问题，在大型和微小子区域中均实现了卓越的准确度。

本文提出了一种面向性能的 YOLOv7 推理流水线改进方案，通过将预处理和后处理操作迁移至 GPU，以最大限度地减少 CPU 的参与和数据传输，在保持检测精度的同时，实现了高达 32% 的推理时间缩减，并提升了实时工业系统的效率。

本文提出了一种新颖的概率人工智能框架，该框架整合了图注意力网络、可微最优传输、强化学习和神经常微分方程，旨在高效解决稀疏测量机制下分布式多传感器空间目标跟踪中的数据关联与自适应雷达调度问题，其性能优于 JPDA 和 MHT 等传统方法，并作为开源工具包发布以供实际部署。

本文提出了 HSA-PaperRank，这是一个异构语义-结构融合框架，该框架通过整合基于 PaperBERT 的对比学习、多标记异构图 Transformer 以及影响力导向评分模块，通过共同捕捉文本语义、复杂关系结构和知识扩散潜力，来有效地对学术论文进行排序。

本文提出了 HKRE-ARG，这是一个层级化键路径检索与增强评估框架，该框架将异构化学安全知识与闭环反馈机制相结合，旨在显著提高大语言模型生成的化学事故应急响应方案的可信度、合规性与可靠性。

本文提出了视觉证据引导学习（Visual Evidence-Guided Learning, VEGL），这是一个通过结合监督预热、双向过滤和对比式接地强化学习，来增强大型视觉语言模型在第一视角推理能力的统一框架，旨在优先考虑可靠的视觉证据，而非语言先验或无关上下文。

本文提出了一种标准化的区块链框架，该框架通过将数据标准化层与使用去中心化身份（DID）和智能合约的去中心化访问控制机制相结合，旨在解决碎片化医疗数据生态系统中的互操作性和安全性挑战，从而为未来的实施与评估建立架构基础。

本文提出了 T2I-ECG 框架，这是一种通过从文本中提取情感意图来引导并优化图像生成的两阶段方法，显著提升了在 EmoVisText6-3000 数据集上的跨模态情感对齐能力与准确性。