cs 篇论文 | Gist.Science

这项实证研究分解了偏好图修复对排名结构与检索有效性的影响，揭示了虽然修复算法频繁改变排名，但由于特定的结构性因素（如缺乏经判定的正向候选对象或保留了前十名轮廓），它们往往未能改变测量的相关性，而非普遍缺乏益处。

CAYENNE+ 是一个确定性框架，它通过从主密钥和每用户状态中派生出特定于账户的加盐值（peppers），来增强密码安全性，从而在降低全局共享加盐值所带来的广泛风险的同时，保持较低的身份验证开销。

本文介绍了 HandleMyFile，这是一个边缘原生、零出站的文档处理系统，通过在客户端浏览器内利用 Web Worker 进行完全执行，从而消除网络延迟、降低成本并确保数据隐私，其展示出的性能显著优于远程云服务，同时保证零数据外传。

本文通过提出一种利用显式统一公式、偏移向量表示和先验分布机制的增强型偏移向量遗传算法（EGA-OV），旨在解决涂色体存储重排序问题，从而在有效性和计算效率方面均超越现有的最先进方法。

本文分析了一种用于大规模几何旅行商问题（TSP）的空间分解模因算法，揭示了其性能提升主要源于先进的三层局部搜索而非基于种群的机制，并且尽管该算法与 LKH-3 等最先进的求解器相比具有显著的速度优势，但其产生的解质量较低，在诸如 PCB 钻孔等特定应用中带来的实际收益极小。

本文提出了一种用于情感认知诊断的能力-残差解耦框架，该框架通过显式建模稳定的认知残差来防止其污染情感表示，从而提高多个数据集上的响应预测准确性和情感对齐度。

本文提出了一种受软件工程启发的 AI 治理框架，通过倡导细粒度的版本控制、分类变更日志以及明确的回滚机制，来解决规范性政策的“隐性漂移”问题，从而确保政策演进具有透明性、可审计性并获得监管认可。

本文介绍了 PulmoDiagAI，这是一个基于深度学习的智能系统，它利用微调后的卷积神经网络（CNN）架构和先进的图像预处理技术，实现了对医学影像中肺癌和 COVID-19 的高精度自动分类，并最终通过实时图形用户界面（GUI）进行部署，以辅助临床医生进行疾病的早期检测。

本研究表明，生成式人工智能重写会通过诱发特定数据集的失效模式，显著降低健康虚假信息检测器的性能，尽管具备转换感知能力的训练可以在同一领域内部分恢复鲁棒性，但无法一致地推广至不同数据集。

本文介绍了 DACH-DDPG，这是一种漂移感知型连续混合学习框架，它结合了用于自适应信号生成的 SVM 和 XGBoost 以及用于序列交易决策的 DDPG 智能体，通过基于性能触发的模型自适应有效应对市场非平稳性，从而实现卓越的风险调整后收益。