cs 篇论文 | Gist.Science

本文提出了一种两阶段算法，该算法利用大语言模型，通过先创建文本摘要再将其转换为结构化领域表示的方法，自动从 YouTube 视频 URL 生成 RDF 本体，并在一个体育数据集上实现了 90% 的准确率。

本文提出了一种便携式、保护隐私的工业区块链系统，该系统利用经 DKIM 签名的电子邮件和零知识证明，在无需平台集成、专用硬件或披露敏感贸易历史的情况下，验证转售商跨市场及跨境销售产品的权利。

本研究提出了一种用于纺织品裁剪件毫米级尺寸验证的全自动、可扩展系统，该系统利用改进的 U-Net 和 ResUnet 模型，结合复合损失函数与自适应选择机制，旨在克服织物变形带来的挑战，并超越传统的通过人工或固定架构进行的测量方法。

本文提出了一种规范驱动的编排框架，通过将 AI 辅助创作与受控执行分离，实现 AI 在受监管数据工作流中的安全使用，确保只有经过验证、版本化且具有完全可追溯性的构件才能被编排和执行。

ScaleCal 是一个无需训练的框架，它通过将基于温度校准的逻辑值信号与选择性语义一致性采样相结合，解决了小语言模型中置信度信号退化的问题，在显著改善校准误差和失效检测的同时，保持了较低的计算成本。

这篇批判性综述通过超越随机误差假设，转而分析结构化监督失配、表示动力学以及鲁棒流水线，重新定义了带有噪声标签的学习，并最终将噪声假设与风险修正及评估协议相联系，以应对现代基础模型和开放世界生态系统中的挑战。

本研究利用 2017–2018 年 NHANES 数据开发了一个可解释机器学习框架，旨在证明虽然年龄、空腹血糖和家族史是成年男性 2 型糖尿病的主要预测因子，但在排除空腹血糖的情况下，纳入腰臀比能显著提高风险预测的准确性。

本系统综述探讨了用于三维医学成像的轻量化深度学习技术，强调了它们在降低资源受限环境下计算需求方面的能力，同时识别了关键研究空白，并概述了开发稳健、高效且临床集成模型的未来方向。

本文表明，虽然标准机器学习模型由于依赖变量分布，无法检测移动自组网中未见的攻击，但一种简单的协议不变特征——即统计没有解码帧的路由邻居数量——通过识别结构性违规而非统计异常，实现了对虫洞攻击的完美检测。

本研究提出了一种改进的堆叠集成学习算法，该算法利用功能性近红外光谱（fNIRS）信号来实现对耳鸣严重程度高度准确、客观且定量的评估，其性能显著优于传统模型，并为临床诊断提供了一种极具前景的工具。