2445 篇论文
本文提出了 REGAL 驱动的分层图强化网络（HGRN），这是一个集成图神经网络、残差能量梯度注意力机制、深度强化学习以及能量自适应鹌鹑优化算法的新型框架，旨在实现大规模无线传感器网络中稳定、节能且负载均衡的通信，并证明了与现有聚类方法相比，该框架在网络寿命、能量节省和数据包交付方面具有更优越的性能。
本文将知识图谱检索增强生成（RAG）系统中三层级投毒攻击的影响范围进行了形式化定义与实证量化，证明了中心节点投毒会导致最严重的破坏传播，并提出了一种基于度加权信任评分的图感知防御机制来缓解这些风险。
本文提出了一种通过在 UNSW-NB15 数据集上利用快速梯度符号法（FGSM）进行对抗训练来增强的 LightGBM-MLP 混合入侵检测系统，该系统通过在仅造成 6.66% 的干净数据性能下降的情况下，在强扰动下仍保持 77.80% 的准确率，成功提升了针对规避攻击的鲁棒性。
本文提出了一种用于体素密度场序列的自适应框架，该框架利用一种新型结构描述符通过动态规划进行最优关键帧选择，并采用基于粒子的插值方案以实现高保真重建并最大限度减少伪影。
本文提出了一种用于无人水面航行器（USV）的轻量化实时检测器，通过集成频率引导特征路由和尺度归一化自适应定位监督，旨在解决低对比度和小目标尺寸等挑战，同时满足严格的延迟和模型大小限制，从而增强对弱水面目标的检测能力。
本文介绍了一种闭环自动研究框架，该框架利用语言模型智能体来编辑分子表示、代码模型和外部证据，通过严谨的留出测试，在多个分子特性基准测试中成功发现并验证了具有泛化能力的改进，同时将真实的迁移增益与非迁移的选择方差及分布偏移区分开来。
本文提出了一种结合了迁移学习、视觉 Transformer 和集成方法的可解释人工智能框架，在 BreakHis 数据集上实现了卓越的乳腺癌预测准确率（96.82%），同时利用 Grad-CAM 和 LIME 等技术来增强模型的透明度和可解释性。
该论文介绍了 R-Super，这是一个利用超过 100,000 份放射学报告来训练肿瘤分割模型的新型框架，该框架无需稀缺的人工掩码，从而实现了显著优于现有 AI 模型和人类放射科医生的规模化多癌种检测。
本文介绍了 SonicPlay，这是一个基于虚幻引擎（Unreal Engine）的框架，它将基于音频的可访问性原则转化为可重用的工具，并通过针对盲人玩家和专业开发者的双重研究证明，该框架能够有效地实现独立的空间导航，同时无缝集成到标准的游戏开发工作流中。
这项实证研究通过分析来自145名UCI学生的数据，利用18种机器学习算法进行分析，发现LightGBM模型能最准确地预测学业表现，揭示了个人及学校教育因素（如性别、年龄、兼职工作和课堂听讲）是成功的核心驱动因素，而家庭因素的影响较弱，从而能够开发出一个用于个性化学业干预的可解释性Shiny应用程序。