cs 篇论文 | Gist.Science

本研究对 2015 年至 2026 年间基于深度学习的黑色素瘤检测研究进行了全面的文献计量学和系统性综述，重点介绍了卷积神经网络（CNN）架构和迁移学习的关键趋势，同时识别了数据集不平衡和临床验证等关键挑战，以指导可靠诊断系统的未来发展。

本文介绍了一种置信度门控多模态框架，该框架整合了文本嵌入、声学特征以及语音引导的情感描述，以动态加权模态可靠性，在通过严格的嵌套交叉验证解决评估泄漏问题的同时，实现了最先进的抑郁症检测性能。

本文揭示了 TrustZone-M 执行证明易受非安全 DMA 控制器导致的状态篡改攻击，因为其安全保证仅依赖于 CPU 隔离，并提出了一种使用每通道 DMA 安全性的轻量级缓解方案，以确保针对所有总线主机的状态真实性。

本研究审计了模型压缩技术对使用 MIMIC-IV 进行的 ICU 急性肾损伤（AKI）风险预测中子群公平性的影响，揭示了虽然朴素量化可能会导致性能灾难性下降，且剪枝会显著损害子群准确性，但为了避免伪公平性主张并解决由子群规模较小所导致的内在差异，必须采取适当的方法论控制。

本研究利用 MIMIC-IV 数据进行论证，表明虽然在预测急性肾损伤和出血方面，标准的表格模型通常优于基于图的方法，但在严格纠正标签泄漏后，源自药物共同用药网络的图嵌入在预测谵妄风险方面提供了具有统计学显著性且可解释性的提升。

这项基于语料库的研究表明，一个整合了词汇与句法复杂度指标的回归模型能够有效预测德译中哲学文本的机器翻译质量，凸显了整体语言特征在评估翻译结果中的关键作用。

本文提出了一种轻量级、模块化的框架，该框架将单目稠密 SLAM（MASt3R-SLAM）与视觉语言模型（Gemma 3 和 Qwen2.5-VL）相结合，旨在仅通过 RGB 输入，在无需深度传感器或模型微调的情况下，实现室内环境中鲁棒的开放词汇语义导航。

本文介绍了 XAI-Gate，一种新颖的、与检测器无关的治理框架，该框架能够在资源受限的情况下，通过动态选择解释动作来平衡数据包服务质量、操作员可解释性与信息暴露，在无需重新训练分类器的情况下，实现了解释债务的显著减少和零预算违规。

本文介绍了 Omnilingual ASR，这是一个可扩展的开源语音识别模型系列，它利用 7B 参数的自监督架构和大规模、多样化的训练语料库来支持超过 1,660 种语言（其中包括 500 多种此前未被服务的语言），同时使社区能够以极少的数据轻松地将该系统适配到新语言中。

本文介绍了 UDAQ，这是一个统一的、奖励驱动的 Q 迭代框架，它能够自主适应动态演变的态空间，以同时优化点对点路径规划和高效的环境探索，在没有先验地图知识的未知环境中，其性能显著优于传统的规划器和探索策略。