cs 篇论文 | Gist.Science

这项针对十项高偏倚风险研究的系统综述表明，临床医学中的大型多模态模型容易受到跨越四个不同失效类别的基于输入的破坏，这种威胁无论模型特征或测试防御如何均会持续存在，且并不需要对抗性攻击者即可破坏输出完整性。

本文建立了一个与表示无关的权衡定理，证明了在不受限的确定性下推栈实现中，擦除在低阶固定后保留的高阶语义信息，必然需要以源栈暴露深度和规范化债务量化的物理代价，且该代价的锐利下界源于保留信息与有限观测能力之间的相互作用。

本范围综述通过按任务和评估类型对现有的大语言模型医疗验证方法进行分类，旨在为利益相关者在临床实施前选择合适的策略提供一个结构化框架。

这项系统性映射研究通过回顾35篇初级研究，分析了人工智能如何将口述历史从静态档案转变为动态、互动的领域，在强调转录与分析方面取得显著进展的同时，也强调了关键的伦理挑战以及对创伤知情、以人为本方法的必要性。

本文提出了一种用于双任务 Wi-Fi 指纹室内定位的通信高效型 FedProx-Binary FedVote 框架，该框架通过传输 1 比特更新方向显著降低了上行带宽，并通过 FedProx 正则化在强非独立同分布（Non-IID）数据条件下保持了高精度和高鲁棒性。

本文表明，尽管大语言模型可用于评估魁北克法语等低资源语言的法律准确性，但若缺乏人工监督，其可靠性不足以进行高风险部署，因为即使是最强大的模型也仅表现出中等程度的一致性，无法一致地捕捉到危险错误，并且能显著受益于逐步推理和集成方法。

本研究提出了一种物理信息驱动的双视图 YOLO 框架，该框架将基于深度学习的目标定位与马格努斯效应气动力学建模相结合，旨在显著提高不同光照条件下旋转网球轨迹预测及落点估计的准确性。

本研究提出了一种自适应神经阈值网络，该网络通过学习上下文相关的阈值，在优先处理用于会计执法审查的 SEC 备案文件方面优于逻辑回归，同时建立了一套治理要求框架，以确保该系统仅作为机密的筛选辅助工具而非法律证据。

本研究验证了可解释多利益相关者教育智能框架（EMSEIF），这是一个通过可解释人工智能、知识图谱和公平性审计，将多样化的高等教育反馈转化为可审计的层面级证据及可操作的课程改进的实证系统。

本文表明，在自动化论文自审系统中，预测处于阈值附近的决策是否会在扰动下发生翻转，可以通过一个利用经验分值偏移分布和决策边界的简单基准模型有效实现，而非依赖复杂的学习型边界模型。