2305 篇论文
本文介绍了潜在归因正则化（Latent Attribution Regularization, LAR），这是一种在训练阶段强制要求在语义保持不变的同义词替换下实现归因一致性的方法，证明了该方法在不损害模型准确性的情况下，显著提高了微调 Transformer 模型中基于梯度的解释的稳定性，同时也确立了适当的标记对齐对于准确衡量此类稳定性至关重要。
本文提出了 TMB-CMSBT，这是一个集成区块链技术与集成学习的新型框架，旨在通过增强云环境中的虚拟机管理安全性、用户身份验证和实时威胁检测，同时解决传统中心化系统的局限性。
本文提出了 TriFuseDroid，一种鲁棒的 Android 恶意软件检测方案，该方案分析了代码混淆对静态特征的影响，并采用多特征融合网络将具有韧性的静态视图转换为图像表示，从而在无需混淆训练样本的情况下，实现了针对多种混淆技术的高准确率和高泛化能力。
这项研究表明，包括利用多视图注意力机制的卷积神经网络（CNN）和视觉 Transformer 在内的十种多样化深度学习模型，在膝关节骨折 X 光片的诊断准确率和处理速度方面均表现出色，这表明它们具有作为临床决策支持工具的强大潜力，甚至在资源有限的环境中也是如此。
本研究提出了一种基于 Web 的决策支持系统，该系统通过具备约束感知能力的基于规则的工作流，将课程与论文/毕业设计答辩调度进行集成，并在两所高等教育机构的部署中展示了极高的用户满意度与运营效率。
本文提出了一种鲁棒的多模态深度学习框架，该框架将基于卷积神经网络（CNN）的视觉裂缝检测与经由长短期记忆网络（LSTM）处理的传感器时间序列数据进行融合，旨在克服单模态方法的泛化局限性，在智慧城市可持续桥梁健康监测中实现了94%的总体准确率并提升了召回率。
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。