2363 篇论文
AoIDER 是一个用于根据自然语言需求评估文档的可审计框架，它将规则编译为可执行代码，以约束小语言模型的证据提取过程，从而确保判定结果的确定性与可检查性，同时证明在教育场景下，验证驱动的规则修复能显著提升 2B–4B 参数模型的准确率。
本文提出了一种双重方法，通过一种新颖的阈值调整目标和基于反事实解释的数据微调，在优化检测率与误报率之间的权衡方面，提升不平衡数据集上软件缺陷预测的透明度与性能。
本研究表明，尽管深度学习模型能够捕捉用于法医年龄估计的生物学衰老模式，但其可靠性会因人群和硬件的变化而显著受损，这强调了在法医应用之前进行外部验证和可解释性分析，以检测非解剖学捷径的紧迫性。
本文提出并评估了“SPARE-STARE”，这是一种基于查询参数的安全框架，它通过使用加密和唯一标识符将渐进式 Web 应用（PWA）与受信任的 Web 活动（TWA）进行绑定，从而在有效缓解未经授权复制威胁的同时，克服了通信限制并降低了开发复杂度。
本文提出了 DFLA-IDS 框架，该框架结合了使用 MIC 和 mRMR 的全局特征选择与一种损失感知注意力 Transformer，以有效解决特征冗余和类别不平衡问题，在 UNSW-NB15 数据集上实现了比 Deep BiLSTM 更优越的入侵检测性能。
本文介绍了 IFF-HVT，这是一种结合了 ResNet-50 骨干网络、基于 Transformer 的上下文建模以及信息丰富特征融合模块的混合架构，旨在有效平衡局部与全局特征表示，从而在规模中等的图像分类数据集上较基准模型实现了显著的准确率提升。
本文评估了针对七个目标词数据集进行定向隐喻检测的多种机器学习和深度学习模型，发现一种结合了 LDA、Sentence-BERT 和随机森林的混合方法通过有效结合上下文句子嵌入和主题级信息，达到了 84% 的准确率，其表现优于包括共识集成在内的其他方法。
本文提出了一种混合出租车需求预测框架，该框架集成了用于数据填补的非负矩阵分解与白鲨优化算法、用于时间建模的长短期记忆网络（LSTM），以及一种基于相对困难度邻近性的公平感知正则化机制，旨在最小化不同城市区域间的预测差异，同时保持高精度。
本文介绍了“Eco Track”，这是一种低成本、由人工智能与物联网驱动的原型，该原型利用 YOLOv8-M 模型和电动执行器实现了小型电子废弃物组件的自动化、具备安全感知能力的分类，在实验室环境下展示了高精度和高平均精度均值（mAP），同时解决了实际边缘部署方面的约束。
EELTRA-Net 是一个智能混合框架，它集成了时间卷积单元、门控循环单元和注意力驱动的前馈网络，旨在优化车载自组网中的能量效率、可靠性和网络寿命，并实现了优于现有基准模型的性能指标，例如 98.9% 的数据包递送率。