cs 篇论文 | Gist.Science

该论文介绍了 FrameShift-CAD，这是一个诊断基准测试，它揭示了文本生成 CAD 模型中存在的显著可靠性差距，即显示出即使在提供了明确的映射指令时，这些模型在执行纯旋转坐标系变换方面也比执行平移变换更为困难。

本文提出并评估了两种用于心血管疾病预测的集成模型，发现由三个分类器组成的较简单组合（DNL）通过实现 98% 的准确率，在避免过拟合并提供更好解释性的同时，优于一个更复杂的 24 个分类器框架（MEDPOLY）。

本文提出了CINN，一种基于卷积的可逆神经网络，该网络通过整合全局-局部特征耦合与多通道注意力池化，同时增强了图像隐写术的安全性和不可感知性以及恢复保真度，并在多个数据集和统计分析评估中超越了现有的最先进方法。

本文提出了一种“层叠态语言模型”（Sheaf-State Language Model）架构，该架构利用局部状态空间动力学和稀疏、类型的粘合态射来高效管理上下文与依赖关系，从而取代了计算量过大的稠密自注意力机制。

GaussCast 是一个面向多用户分层 3D 高斯泼溅（3D Gaussian Splatting）的依赖感知交付框架，它通过在边缘代理处聚合并发的用户需求，从而仅一次性获取共享的前置数据块，以此显著降低上行流量，并相比于独立的单用户交付策略，提升了启动延迟和渲染质量。

本文提出了状态感知自适应人工蜂群算法（SSA-ABC），该算法通过维度感知初始化、动态搜索调整和基于排名的选择机制，克服了标准人工蜂群算法的局限性，从而在高维优化和机器人路径规划中实现了卓越的性能。

本研究表明，源自大型视觉模型的视觉距离与跨越不同文化单元和时代的专家编码的历史艺术相关性显著相关，这表明互联网规模的视觉训练语料库本身就编码了反映艺术史关系的统计规律。

本文提出了一种约束软行动者-评论家（CSAC）方法，该方法将严格的延迟约束与奖励函数解耦，并采用两阶段映射机制，旨在有效最大化具有突发流量的异构队列系统的吞吐量效用，同时最小化延迟违规，其性能优于无约束学习和启发式基准方法。

本研究表明，在针对 T1 加权 MRI 中的股骨分割任务时，YOLO 系列模型中的 YOLOv11m-seg 在数据匮乏的情况下，在数据效率、准确性和速度之间实现了最佳平衡，在仅有 100 张标注切片时即可实现高性能，并表明随着数据集的增大，架构差异变得微乎其微。

本研究提出了一种利用哈尔离散小波变换（Haar Discrete Wavelet Transform）的高效二维图像压缩方法，旨在最大化压缩比的同时，保持生理图像的临床相关性与诊断可靠性。