cs 篇论文 | Gist.Science

本文对用于因数分解和素性测试的经典算法与量子算法进行了全面的综述和比较性能分析，结论指出，尽管像 Shor 算法这样的量子方法在因数分解方面提供了显著优势，但在素性测试方面并未提供可比拟的益处。

本文对高光谱遥感数据上的各种聚类方法进行了实证评估，发现与更复杂的替代方案相比，计算效率高的基于质心的算法（如 K-Means）在结合有效的降维技术时，在质量、鲁棒性和速度方面始终能提供最佳的平衡。

本文介绍了“脚手架跳跃”（Scaffold Jump）设计模式，这是一种操作性框架，通过定义四个由证据门槛式转换相连的阶段，使组织能够系统且安全地将人工智能系统从人类全面监督过渡到自主运行，从而在确保达到性能阈值的同时，维持问责制与伦理约束。

本文提出了一种自适应模糊生成对抗网络（Fuzzy-GAN）系统，该系统利用生成对抗网络和模糊逻辑将面部朝向分类为低、中、高角度（包括顺时针和逆时针变化），旨在增强执法应用中的姿态不变性人脸识别。

本文评估了 NVIDIA RTX 神经着色器用于实时流体渲染的可行性，证明了虽然神经网络能够以高帧率成功逼近像素级 BSDF，但目前的框架限制仍阻碍了其在顶点位移任务中的有效部署。

本研究提出并验证了一种用于编程实践中早期成功预测的部分正确性与进度感知公式化方法，证明了该方法通过更有效地捕捉学习者进展并实现有针对性的教学支持，其表现显著优于传统的二元和序数方法。

这项对122项研究（2015–2025年）进行的系统综述表明，机器学习模型，特别是与无损检测技术相结合的集成和混合方法，通过在整个供应链中改善质量评估和减少损失，显著提升了易腐水果的采后管理水平，同时也强调了需要标准化数据集和现实世界验证以克服当前的部署挑战。

本文介绍了验证对齐核心集选择（Validation-Aligned Coreset Selection, VACS），这是一种通过在内部验证集上评估投资组合来选择最优类平衡子集选择器的方法，证明了在极端预算限制下，重复验证可以显著提高少样本分类准确率，尽管它并不总是能普遍超越最佳的静态选择规则。

本文提出了一种轻量级的两阶段框架，利用 YOLO11s-seg 进行实例级候选生成，并利用 YOLOv8n-cls 进行难负样本与遮挡感知分类，在复杂的油棕种植园环境中实现了高采收决策准确率和零误采率。

本文提出了一种神经符号模糊规则框架，该框架将基于深度学习的皮肤镜属性估计与自动提取的临床规则相结合，旨在提高黑色素瘤分类的准确性与可解释性，并优于仅基于图像的深度学习方法。