4092 篇论文
本文提出并验证了零信任数据脱敏（ZTDS），这是一种客户端、设备端的架构框架，能够在数据传输前在易失性存储器中执行符合 HIPAA Safe Harbor 标准的受保护健康信息（PHI）实时去标识化处理，从而实现在无需签署商业伙伴协议（BAA）或面临数据外泄风险的情况下，安全地在临床研究中零信任地利用公共大语言模型。
本文提出了一种用于短信垃圾检测的新型混合框架，该框架集成了用于特征选择的多准则决策、用于解决类别不平衡的 SMOTE 以及基于堆叠（Stacking）的集成分类器，从而在基准数据集上的精确率、F1 分数和 AUC 指标上取得了卓越性能。
本文提出了联邦近端策略优化（FedPPO），这是一种保护隐私的联邦学习方法，通过聚合局部训练的模型参数来克服独立策略和共享策略方法的局限性，从而实现同构和异构系统中高效且具适应性的多机器人避障。
OntoCacheRAG 是一个本体驱动的框架，它通过采用基于包含关系的推理来进行细粒度的选择性缓存失效，从而在知识图谱增强的检索增强生成系统中解决正确性与效率之间的权衡，进而消除昂贵的全缓存刷新需求，同时确保语义的新鲜度。
本文介绍了用于评估前沿大语言模型在印度法律解释能力上的 ICCB-Pilot 基准测试，揭示了虽然模型通常能够预测正确的法律结果，但它们无法正确识别并应用底层的解释原则，这表明其推理依赖于表面模式匹配而非真正的法理理解。
本文提出了一种基于微调后的 LLaMA4-Scout 模型和专门图像分析模块构建的领域定制化多模态智能体，旨在通过将气象文本、技术报告和视觉数据整合为一个综合性智能助手，从而增强国家短期天气预报中心（NCMRWF）的业务化天气预报能力。
这项针对近 300 万篇开放获取生物医学文章的文献计量分析显示，2022 年后与大语言模型相关的术语显著增加，表明生成式人工智能工具正被快速采用，并凸显了对透明度和检测方法以维护科学诚信的紧迫需求。
本文提出了一种基于网络波理论的分类感知且针对 DSIS 优化的路径编辑框架，该框架通过策略性地替换、插入或删除中继节点来优化无线多跳路由，旨在严格遵守资源和结构约束的同时，最小化干扰间距并提高吞吐量或降低延迟。
本研究提出了一种可解释的多模态框架，该框架通过双重注意力机制与 XGBoost，将多样化的行为与心理数据进行整合，以动态预测青少年短视频成瘾风险及其对睡眠、学业、情绪和社会适应的负面影响。
本研究利用来自中国研究人员的大规模调查数据，通过机器学习扩展了技术接受与使用统一理论，识别出三种截然不同的生成式人工智能用户画像——“先锋探索者”、“务实应对型用户”和“疏离型用户”——从而揭示了在科学人工智能（AI for Science）背景下，学术地位、机构压力和伦理担忧如何塑造差异化的采用模式。