cs 篇论文 | Gist.Science

本文提出了一种用于工业异常检测的框架，该框架结合了用于克服边界信息丢失的冻结 DINOv3 骨干网络与多视图补丁推理策略，以及用于建模正常特征分布的多尺度重构融合 Transformer，在多个基准数据集上实现了最先进的性能。

本文提出了 LAR-Net，这是一种基于 LitePT 主干网络的轻量级自适应感受野网络，该网络能够根据局部几何复杂性进行动态调整，以实现对反应器内壁药物沉积的高精度点云分割，从而克服传统检测方法的局限性，并实现自动化智能清洗。

本文介绍了 KinderMM-Cap，这是一个专门用于早期儿童教育的多媒体描述生成系统，它利用 ECAC 基准测试和一种新颖的奖励条件混合训练框架 (RSRS)，显著提高了针对复杂课堂场景和教学玩具生成具有教育意义描述的准确性。

本文提出并严格评估了 TW-DP-FedAvg，这是一种专为泰米尔纳德邦农村地区医疗保险领域定制的隐私保护联邦学习框架，证明了尽管差分隐私与集中式训练相比会产生可衡量的准确度损失，但该方法在印度新的数据保护法规下仍具有统计等效性且具备可行性。

本文介绍了一种用于空间海洋管理的创新型母船与多无人机路径规划问题，并提出了一种元启发式解法，该解法与精确算法相比，在显著缩短计算时间的同时实现了接近最优的结果，从而为珊瑚礁修复等应用中的实际规模协同作业提供了可能。

本文介绍了 Meta-PPO，这是一种轻量级的元控制框架，它能够根据训练统计数据在线动态调整 PPO 的超参数，并证明了与标准 PPO 相比，该框架在多个连续控制基准测试中具有更高的性能、效率和鲁棒性。

本文提出了 HCLM-SmartTex，这是一个可解释且轻量级的 AI 框架，它通过针对以人为中心的决策成本而非原始准确率进行优化，并利用合成模拟器进行训练，从而将真实的生理异常与智能纺织品传感器退化及伪影区分开来，并以极小的计算开销实现了高可靠性。

本文介绍了 HPG-Rec，这是一个新颖的、无需训练的框架，它通过结合受控的大语言模型候选生成、排名感知语义评分、双重流行度建模以及基于 MLP 的融合，有效地解决了推荐系统中的数据稀疏性和语义鸿沟问题，并实现了相比于最先进基准模型的显著性能提升。

本研究提出了一种基于两层本体的框架，将复杂的混凝土浇筑无线电日志分类为七个语义轴，以推导出危险信号、控制动作和情境状态，在展示基于规则的提取具有高一致性的同时，也指出了局部大语言模型方法在未来验证中存在的局限性。

本文介绍了一种用于微文本语言识别的超轻量级几何方法，该方法将字符频率编码进紧凑的欧几里得空间，在展现出优于传统基准模型的针对数据稀疏性和历史变异性的鲁棒性的同时，也为边缘计算提供了显著的计算效率。