cs 篇论文 | Gist.Science

这项研究表明，在受控的合成环境中，关键字段之间的表面距离会显著影响小型字符级 Transformer 的路由准确性，从而验证了在使用此类单元测试来区分真正的查找机制与表面特征利用，以在部署自动化教育系统之前进行辨别。

本文提出了一种基于坐标的曲面交集方法，该方法将交线表示为包含语义和几何元数据的经残差审计的接触框架序列，在处理一系列多样化的基本曲面与复杂曲面交集案例时，证明了其相比于 OpenCASCADE 技术具有更优越的数值精度和鲁棒的布尔闭合性。

本研究表明，虽然教育题库中的全局多样性不足以确保稳健的语言解析，但局部分配策略会显著影响性能，而一旦各组件具备足够的单元格内暴露度，全局图连通性则不再提供额外收益。

DeepGaitLab 是一个基于合成数据训练的开源无标记 3D 运动追踪框架，它能在多种摄像机配置和临床人群中提供高精度的免校准步态分析，有效地填补了研究级生物力学与可扩展临床部署之间的空白。

本文提出了 MEFP-Net，一种利用分层中段融合和双路径骨干网络的跨模态识别算法，旨在有效解决特征不平衡和光照敏感问题，从而显著提升复杂城市交通场景下对小目标和遮挡目标的检测能力。

本文对各种 Facebook AI Similarity Search (FAISS) 索引策略进行了全面的实验评估，分析了它们在不同距离度量和量化技术下，在准确性、延迟和内存使用量方面的权衡，旨在为大规模相似性搜索部署提供实践指导。

本文提出并评估了一种预测性、自适应的调度模型，该模型将工作负载预测与感知 Ceph 的存储决策相结合，以显著降低运行在 Proxmox VE 上的 Kubernetes–Ceph 超融合基础设施中的资源争用和 I/O 延迟，从而实现比默认 Kubernetes 调度器更优越的负载均衡和性能。

本文提出了一种用于移动边缘网络的联邦强化学习框架，该框架结合了用于内容流行度预测的 VAE-LSTM 模型与用于优化协作缓存决策的多智能体深度强化学习算法，从而与现有的基准方法相比，显著降低了延迟并提高了缓存命中率。

本文提出了 DMPB-Net，一种新颖的半监督框架，该框架通过集成由 Mamba 驱动的编码器以及用于语义解耦、原型注意力及边界细化的专门模块，旨在实现有限监督条件下超声图像中乳腺病灶的最先进分割效果。

本文提出了一种鲁棒的三模态框架，该框架通过自适应门控融合机制整合了卷积神经网络（CNN）、视觉 Transformer（Vision Transformers）和图神经网络（Graph Neural Networks），从而在社交媒体图像的伪造检测中实现了最先进的准确率（99.10%）和可解释性。