2456 篇论文
本文识别并分析了 CVE-2026-0628，这是一个存在于 Google Chrome Gemini Live AI 侧边栏中的严重权限提升漏洞，该漏洞允许具有基础权限的扩展程序访问敏感的浏览器级资源，研究表明 73.9% 的受分析扩展程序都拥有利用这一安全缺陷所需的权限。
本研究表明，将大语言模型作为编辑助手来优化医生的书面回复，而非作为自主生成器，能够在保持事实准确性的同时显著提升感知的共情能力，并得到了用于评估情感基调和医学精准度的创新定量指标的支持。
本文介绍了 GRACE，这是一个新颖的大语言模型框架，它通过迭代优化假设与证据，在无需预先指定聚类数量的情况下，自动发现异质性多模态数据中的最佳临床亚群数量，并在长新冠（Long COVID）和帕金森病队列中得到了验证。
本综述通过为56个系统及其证据可靠性引入一个多维框架，使碎片化的自主研究领域系统化，揭示了在生成研究产物的能力与在发布前对其进行稳健验证机制以进行辩护的能力之间存在着关键差距。
本文介绍了 MOGA-NAS，这是一种多目标进化算法，通过同时最大化 F1 分数并最小化参数数量，有效地平衡了临床表格分类任务中的预测性能与模型紧凑性，从而在五个公开基准测试中实现了显著更小的模型规模以及更优或相当的准确率。
本文提出了一种联邦学习安全方案，该方案结合了阈值 Paillier 同态加密、基于数据质量的选择性解密机制以及 ECDSA 数字签名，在有效防御推理攻击和篡改攻击的同时，将训练效率提升了约 10%。
本文提出了一种结合了 CNN、Transformer 和 BiLSTM 层以及多特征融合的混合深度学习框架，旨在实现五个基准数据集上最先进的语音情感识别性能，展示了强大的泛化能力以及较现有基准模型的显著准确率提升。
本研究提出了 StackPip 框架，这是一种利用 SDSS DR-17 数据集上的堆叠分类器（Stacking Classifier）进行的混合集成学习方法，该方法在将天体分类为星系、恒星和类星体方面实现了 98% 的准确率，优于各种单一机器学习模型。
该论文提出了 BayesMem-CD，这是一个基于贝叶斯记忆的框架，它通过将概率推理与时间正则化相结合，实现了具备不确定性感知能力的动态社区检测，从而在针对噪声的稳定性与对真实结构变化的敏感性之间取得了有效平衡。
该论文介绍了 AraCoT-Agent，这是一个通过高质量、经过过滤的数据集（AraCoT）和奖励加权训练目标，将结构化推理能力蒸馏到阿拉伯语模型中的框架，在新的 AraAgent-Bench 上实现了 55.7% 的相对提升，并显著缩小了阿拉伯语与英语大语言模型之间的推理差距。