927 篇论文
该论文提出了 DCUG-PPO，一种双评论家强化学习控制器，它通过不确定性门控机制将其策略锚定在基于模型的备选方案上，在相机掉线情况下的基于图像的视觉伺服中，实现了比单评论家 PPO 和经典基准更高的可靠性和更平滑的控制，同时也承认了在硬件验证和更广泛算法比较方面的局限性。
本文介绍了 ESSIM，这是一种利用贝叶斯统计推断和个体粒子不确定性来维持种群多样性并避免局部极小值的创新概率群优化算法，尽管其计算时间较长，但在多峰基准测试和高斯过程回归超参数优化任务中表现优于经典的粒子群优化算法（PSO）。
本文提出了一种鲁棒的视频隐写方法，该方法将 DWT-SVD 域中的 MEC-AQIM 嵌入与双层伪噪声同步机制相结合，以有效地从遭受重压缩和任意裁剪处理的视频中恢复秘密数据。
本文提出了一种受生物启发的混合终身学习系统，该系统通过协同设计一种果蝇-人类混合算法与自选择忆阻器硬件，以克服灾难性遗忘和能量效率低下的问题，从而在速度和能效方面较传统的 CMOS 加速器实现了显著提升。
本文提出了一种可审计、泄漏受控的机器学习框架，该框架通过协调异构的欧洲排放数据，以准确预测镉、汞和铅清单的短期空间更新，在实现较基准模型显著降低误差的同时，明确定义了用于异常筛选和专家优先级的操作限制，而非进行无限制的预测。
本文介绍了 bio2C，这是一个包含 2,500 个经人工校验的自然语言-Cypher 对的符合 FAIR 标准的基准测试，以及一个模块化检索增强生成框架，该框架通过利用检索到的示例而非基于模式的提示，显著提高了生物医学知识图谱的 Text2Cypher 准确率。
这项研究表明，前沿大语言模型表现出“表演式自我修正”现象，即在连续 72 轮迭代审查中生成了大量的批判性论述，却从未实质性地修改其初始答案，从而对旨在提高人工智能可靠性的基于提示词的修正策略的有效性提出了挑战。
本文提出了一种透明的检索增强框架，该框架将自然语言数值证据落地为结构化优化模式，并证明了虽然模式检索非常有效，但实现优化问题实例化的自动化瓶颈在于下游任务中将提取的数字准确匹配到其对应槽位的过程。
本研究介绍了 BoneNet，这是一个多模态深度学习框架，该框架通过将 YOLOv8m 骨干网络与空洞残差注意力模块以及表格数据融合相结合，实现了对种植体周围骨丢失的高精度自动化检测、严重程度分级及可解释的深度估计，同时透明地识别了在严重病例中的性能局限性。
本文展示了在紧凑型（succinct）de Bruijn 图上对空间高效型 BFS 和 DFS 遍历算法的首次实现与评估，证明了在包含 8 亿条边的图上，该方法能显著降低辅助内存使用量（高达 11 倍）以及整体内存占用（高达 2.36 倍）。