💻 计算机科学
A Novel Approach for Conducting Asynchronous Federated Learning with Blockchain Integration
本文提出了一种将区块链技术与异步纵向联邦学习相结合的新型框架，旨在克服同步训练和中心化协调的局限性，从而通过去中心化共识、透明的模型评估以及基于智能合约的激励机制，提升效率、安全性及参与度。
💻 Category
cs
4092 篇论文
💻 计算机科学
Auditable machine learning for high-stakes decisions
本文介绍了双极逻辑网络（Bipolar Logic Networks, BLN），这是一种基于规则的学习模型，它在实现与最先进的可解释方法相当的准确度的同时，还独特地提供了对于审计高风险决策至关重要的可验证、可查询的布尔逻辑以及校准概率。
💻 计算机科学
Topological Resonance-Based Deterministic Computing Architecture: From Virtual QPU to Reversible Thermodynamic Optimization
本文提出了一种新颖的无状态确定性计算架构，该架构集成了算法拓扑共振理论、虚拟百万量子比特处理单元以及可逆热力学逻辑，旨在克服存储墙、香农极限和兰道尔热力学屏障，同时确保硬件安全性和长期数字永久性。
💻 计算机科学
How Reliable and Explainable Are Machine Learning Models for Dementia Detection? A Leakage-Aware Evaluation
本研究表明，虽然机器学习模型在通过严格的参与者层面交叉验证以防止数据泄露的情况下，在 OASIS-2 数据集上能够实现极高的痴呆症检测性能，但其对 MRI 特征的表观依赖性并不一致，且往往被简易精神状态检查量表（MMSE）所掩盖，这凸显了进行独立验证以确保临床可解释性和泛化能力的紧迫性。
💻 计算机科学
Intensity and Landmark Based Registration Under Stain Normalization: A Comparative Study on Differently Stained Histopathology Images
本研究表明，一种利用薄板样条插值的鲁棒性基于特征点配准技术，在将组织病理学图像与变化的染色进行对齐时，优于 Elastix 和 ANTs 等基于强度的算法，尤其是在结合了基于深度学习的染色归一化之后，尽管准确的特征点标注仍是一项持续存在的挑战。
💻 计算机科学
Precision, Physics, and Confabulation: Softmax Temperature as an Analog of Dopaminergic Precision-Weighting in LLM Hallucination
这项初步研究提出了计算精神病学中多巴胺介导的精度加权与大语言模型中 Softmax 温度之间的正式数学类比，发现虽然在无根据条件下降低温度会增加幻觉的置信度（减少对冲），但并不影响有根据情况下的准确性，然而研究结果在统计学上仍缺乏足够效力，无法明确证实这一理论联系。
💻 计算机科学
MUSiNET: A Complex Network Model to Explore Underlying Relationship among Musics
本文介绍了 MUSiNET，这是一种整合了内在与外在音乐特征以映射全局歌曲关系的创新复杂网络模型，揭示了关于文化融合与流行度动态的结构性见解，为推荐与发现等应用提供了一种稳健的、数据驱动的传统音乐分类替代方案。
💻 计算机科学
MASS-ScanDMM: A Panoramic Image Scanpath Prediction Method Integrating Multiple Attention Mechanisms and Spherical Semantic Enhancement
本文提出了一种名为 MASS-ScanDMM 的全景图像扫描路径预测方法，该方法集成了多重注意力场景感知（MASP）和球面信息增强感知（SIEP）机制，以在多个数据集上实现卓越的准确性和泛化能力。
💻 计算机科学
Bias Detection and Mitigation in Extractive Text Summarization
该论文介绍了 BiasZero，这是一个用于抽取式文本摘要的公平性感知框架，它通过整合多维偏差检测、反事实数据增强和对抗性去偏技术，在保持高摘要质量（ROUGE 指标下降不到 1%）的同时，将偏差强度显著降低了高达 40%。
💻 计算机科学
Reputation-Driven Federated Learning: Enhancing Trust in Healthcare Data Sharing with Blockchain
本文提出了一种面向医疗保健的安全区块链联邦学习架构，该架构集成了基于属性的访问控制、计算出的信任属性以及一种监控机制，以确保数据隐私并在模型共享过程中检测恶意节点。