cs 篇论文 | Gist.Science

本文介绍了“Ctrl+You”，这是一种基于云端的自适应无障碍界面，通过单一用户配置文件实现了跨网页、桌面和移动平台的辅助工具统一，并通过在孟买 UMED 残障中心进行的为期两周的实地评估证明，该方法显著减少了不同残障人士的数据输入错误及护理人员的干预需求。

本文提出了一种零样本低光照图像增强框架，该框架利用预训练扩散模型作为先验，并通过在傅里叶相位约束下的哈密顿蒙特卡洛采样来细化其预测，从而在无需额外训练的情况下，有效地抑制噪声、保留结构细节并确保测量一致性。

本文提出了一种特权知识蒸馏框架（PKD-ISLR），通过将判别性知识从多模态高分辨率教师模型迁移到低分辨率学生模型，从而提升了低分辨率视频中的孤立手语识别性能，并在 WLASL 和 ASLCitizen 基准测试上超越了现有基准模型。

本文提出了 MDRC，一种机制解耦的检索引导条件恢复框架，该框架通过建模共享-私有语义，并利用通过受控先验引导和有界残差细化实现的检索证据，来解决不完整的多模态情感识别问题，从而增强对模态缺失的鲁棒性。

本文提出了 SATrans，一种基于注意力的新型时序框架，该框架利用多模态生理信号和动态 PAD 驱动的标注，在各种时间分辨率下实现对抑郁程度高度准确、鲁棒且可扩展的实时分类。

本文提出了一种基于基元矩阵的新型密度自适应模型（NDAMM），该模型利用多尺度空间特征融合和空洞金字塔时间池化，实现了对早搏（包括房性及室性期前收缩）准确、可解释且高效的自动化检测，并在多个公开数据库上表现优于现有方法。

本文提出并评估了一种用于 OpenML 表格任务上选择性分类的轻量级、基于探测的策略，该策略在原始预测、温度缩放和狄利克雷校准之间进行动态选择，证明了这种条件选择相比于通用校准或不进行校准，能够提高概率准确性和弃权质量。

Āyurpadaviśleṣikā 是一个人工智能辅助的数字化平台，它利用自然语言处理、计算机视觉和专家策展技术，通过五分法阿育吠陀框架组织了来自古典梵文文献的 4,000 多个药物条目，旨在解决知识碎片化问题并为各类用户提高可访问性。

本文提出了一种基于特征的、可解释的机器学习方法，利用时间与结构性的立法历史，在预测巴西众议院提案级批准结果方面显著优于现有基准模型，为增强立法监测与透明度提供了实用的工具。

本文提出了一种跨数据集框架，该框架将经过证据过滤的 SHAP 归因与基于教学理论的 LLM 反馈相结合，旨在为不同教育背景下的学生风险预测生成具有行动导向且符合场景特征的解释，并通过在横截面数据集和纵向数据集上的验证，展示了其提升的合规性与鲁棒性。