cs 篇论文 | Gist.Science

本文证明了自然语言指令在隐藏的操作需求面前是脆弱的，揭示了虽然通用提示词无法满足被遗漏的约束条件，但当这些约束条件被明确引导并执行时，性能会显著提升。

本文提出了一种新颖的大语言模型（LLM）增强型决策智能框架，该框架将基于失效模式与效应分析（FMEA）的风险量化与大语言模型的上下文推理相结合，通过参数化模拟以及在 DataCo 智能供应链数据集上的广泛实证测试验证，实现了具有统计显著性且高召回率的实时供应链风险评估。

本文介绍了一个由联合国大会演讲（2005–2024）构成的创新外交反驳语料库，并通过使用时间对齐的微调策略评估了最先进的大型语言模型，旨在为反驳生成中的跨领域泛化建立一个系统性的基准。

CUPID-Med 是一个利用符合性不确定性感知原型发现来生成具有临床可解释性、集合值聚类预测及校准置信度评分的新型框架，在构建无标签医学图像数据方面显著优于确定性基准模型。

本研究提出了一种可解释的双层博弈论深度学习框架，该框架结合了用于特征可解释性的 SHAP 和用于竞争性定价分析的纳什均衡，在预测短期租赁需求方面显著优于传统模型。

本文提出了一种“智能学习估计器”（SLE），这是一种结合了 TGAN、LSTM 和 RWFNN 架构的深度学习增强型卡尔曼滤波器，通过克服传统线性滤波器的局限性，显著提升了低成本 INS/GNSS 导航系统在长时间 GNSS 信号中断期间的精度与鲁棒性。

本文提出了 TDF-LSTGBM，一种新颖的两阶段混合架构，该架构从堆叠式 LSTM 的倒数第二层提取时间特征，并将其与消费者及时间属性相结合用于梯度提升机，从而在针对五类消费者的多粒度智能电网电力需求预测中，实现了比传统 LSTM 和 ARIMA 模型显著更高的准确率。

GraphGarment 是一个数据高效的 sim-to-real 框架，它将一个在仿真中训练的图神经网络与一个轻量级的残差修正器相结合，通过极少的真实世界数据来准确预测服装动力学，从而实现稳健的机器人挂衣。

本研究提出了一种统一且可解释的深度学习框架，该框架集成了基于 ResNet50 的微观结构分类与基于 YOLOv8 的表面缺陷检测，并结合基于规则的严重程度评估，旨在为钢铁制造实现稳健、可解释且自动化的质量控制。

本文提出了一种利用织物纹理来计算方向性热扩散与收缩梯度的纱线级模拟方法，从而能够精确地生成传统表面级模型无法捕捉的复杂热失稳、扭转以及非均匀皱褶行为。