cs 篇论文 | Gist.Science

本文提出了 FOIN，一种新颖的联邦多类器官智能架构，该架构利用组合图建模、神经形态计算和区块链技术，在分布式脑类器官之间实现安全、节能且保护隐私的协作学习，在显著降低比传统集中式系统更高计算成本的同时，实现了高准确率。

本文提出了一种跨模态增强蒸馏（C-MED）框架，该框架通过对比对齐和双线性交互，将多模态 EEG-面部知识迁移至可部署的仅 EEG 学生模型中，在无需推理时同步面部数据的情况下，在 SEED-VII 和 DEAP 基准测试上实现了鲁棒且与受试者无关的情绪识别。

本文提出了 EM-S3WD，这是一个动态集成框架，它通过将邻域粗糙集与顺序三向决策以及条件动态集成策略相结合，旨在克服 Xu 等人原始模型中固定参考元组和二元约束的局限性，从而实现自适应且具有竞争力的多类分类性能。

这项系统性文献综述综合了2020年至2026年的证据，旨在证明虽然人工智能驱动的评分和个性化反馈显著提升了高等教育评估的效率、一致性和可扩展性，但其负责任的实施需要强大的伦理保障和人类监督，以应对算法偏见、数据隐私和学术诚信等挑战。

本文介绍了 TAG-lite，这是一种基于梯度的预训练工作流，通过估算不相交 ADMET 数据集之间的任务亲和力，从而有效地对端点进行分组，并在化合物重叠极小的情况下提高多任务学习性能。

本研究提出了一种定制的卷积神经网络模型，通过将1,555个音频片段转换为频谱图图像，在对圣雅烈德（Saint Yared）埃塞俄比亚圣咏（Qum Zema）的三种流派进行分类时实现了88%的测试准确率，其表现优于ResNet、VGGNet和AlexNet等既有架构。

本文引入了一种层次化组合超图（HCH），该超图通过有序的标记、句子和段落层来编码文档结构，并证明了将这些结构特征与标准 TF–IDF 相结合，在文本分类准确率和宏平均 F1 值上较仅使用词汇基准的模型实现了显著的统计学提升。

该论文介绍了 CauCity-WM，这是一种因果生成式世界模型，它通过利用溯因外生噪声来生成一致的事实与反事实未来，从而将城市预测、反事实估计和风险感知决策统一起来。

本研究表明，将可解释的集成机器学习工作流应用于诺瓦克·德约科维奇的大满贯数据，不仅在预测盘胜负方面实现了极高的预测准确度，还揭示了诸如反手回球等常被单一模型所忽视的球员特定表现指标。

VectorLLM++ 是一个统一的下一标记预测多模态大语言模型，它通过引入坐标和掩码的新型分词器，克服了数据稀缺和缺乏结构化向量输出的问题，使其在七个不同的遥感感知和矢量制图任务中表现优于专门的模型。