cs 篇论文 | Gist.Science

本综述通过对 100 多篇同行评审论文的回顾，分析了基于深度学习的 OCR 与信息提取技术，重点强调了它们的独立发展、在孟加拉语等低资源语言中面临的挑战，以及多模态学习对未来研究日益增长的重要性。

本文表明，虽然少量的区分性探测器可以在预定义的候选类中精确识别策略引擎语义，但这些探测器无法检测出该类之外或存在细微偏差的引擎，因此必须采用结构化验证策略和对照实验，以确保结果级配置变更的可行性具有可靠性。

本文介绍了一种受癌症动力学启发的肿瘤形态多智能体框架，证明了在资源约束下进行复制、变异和迁移的去中心化神经智能体，可以通过生态选择而非中心化优化，实现鲁棒的序列学习和提升的多任务能力。

本文提出了一种弱监督视频异常检测框架，该框架利用集成运动估计、目标检测和分割的多阶段流水线来生成置信度感知的伪标签，随后利用这些伪标签训练一个轻量级的 CNN-LSTM 模型，并在 UCF-Crime 数据集上取得了具有竞争力的性能。

本文提出了一个两层级的系统性框架，将语言科学领域的大型语言模型应用划分为三种不同的方法论路径，并为其实现提供结构化的配置，旨在以一种可复现的、理论驱动的范式取代方法论的碎片化，从而实现稳健的语言学研究。

本文提出了一种整合多通道联盟区块链与基于强化学习的采购模型的统一框架，旨在增强数据可信度、优化绿色供应链运营，并显著降低光电企业的成本。

本文证明了仅使用现成编程工具的通用前沿大语言模型智能体（Claude Opus 5.5）在综合基准测试中的表现优于专门的生物信息学智能体，这表明当前衡量进展的局限性主要源于基准测试的可靠性问题，而非智能体本身的能力问题。

本文提出了一个经过审计的最小权重反馈弧集问题基准测试，揭示了计算预算、图族和比较器选择如何显著影响启发式算法的性能，从而支持针对特定范围的方法比较而非通用排名。

本文介绍了 RAG-MedDx，这是一个四层框架的初步离线原型，通过从本地知识库中检索来生成带有引用溯源的答案，或明确报告未匹配项，从而增强医疗诊断支持，同时承认其目前作为非临床工具且诊断准确率尚未经过测量的局限性。

本文提出了 TGSE-DFN，一种新颖的多模态情感分析框架，该框架利用文本引导的生成式语义增强和解耦自适应融合来弥合模态间的语义鸿沟，并有效捕捉全局情感趋势与细粒度时序动态。