2456 篇论文
本文提出了一种感知命名数据网络（NDN）的协作式多智能体深度确定性策略梯度（MADDPG）框架，该框架利用去中心化学习和专门的状态表示来有效缓解命名数据网络中的缓存污染攻击，证明了其与单智能体及传统方法相比具有更优越的缓存效率、更快的收敛速度以及更强的韧性。
本文提出了一种线性映射增强型近端策略优化（LME-PPO）框架，该框架利用深度强化学习来优化智能城市边缘计算环境中的动态负载均衡并降低系统延迟，通过有效地映射复杂任务空间并确保各边缘服务器之间的计算平衡来实现这一目标。
本文提出了一种带有博弈论激励机制的多智能体强化学习框架，旨在实现自主学习型区块链参与者之间的共识，证明了策略能够收敛至公平且具对抗容忍性的均衡，同时识别了特定的架构局限性并完善了理论收敛保证。
本研究利用结构方程模型证明，虽然人工智能驱动的网络安全意识和数字素养能显著促进人工智能网络安全系统的采用，但对这些系统的信任并不直接影响行为意向，这凸显了组织优先发展网络安全意识和数字素养，而非仅仅侧重于建立信任的紧迫性。
本文介绍了 DustFormer，一种基于深度学习的编码器-解码器框架，它能够同时对 RGB 图像进行粉尘分割和密度估计，在环境监测、精准农业和智能感知应用方面实现了高精度和高鲁棒性。
本文提出了一种通过自动符号化和循环边界策略增强的定向符号执行方法，旨在高效验证过程间控制流路径的可行性，并证明了在应用于实际项目和静态分析集成时，其召回率和精确度均优于 KLEEF 等现有工具。
本研究评估了五种大语言模型在 OKAP 式眼科学问题上的表现，结果显示通用型模型（尤其是 Gemini-Pro-3）在准确性和校准度方面优于专门的临床 AI 工具 OpenEvidence，同时也凸显了所有系统都存在的显著性能异质性以及共同的推理失败问题。
本文提出了一种新颖的入侵检测框架，该框架将用于深度特征提取的两阶段堆叠自编码器与基于近端策略优化（PPO）的深度强化学习智能体相结合，在多个基准数据集上展示了具有竞争力的性能和效率。
本文提出了一种基于置信度-收敛性的水下运动目标序列识别方法，该方法能够动态更新行为类型置信度，并仅在同时满足优势度、时间稳定性及类间分离度时才接受决策，从而在观测受限且具有不确定性的情况下，相比现有基准显著提高了准确度并减少了误差。
该论文提出了 HiRoC，这是一个多模态情感识别框架，通过将相关的对话历史选择性地路由通过说话人类型图，并利用跨模态不一致性来校准决策，从而增强预测准确性，以解决现有基于图的方法的局限性。