2456 篇论文
本研究提出了一套集成了增强现实与嵌入式电子技术的工具包，通过将同步的物理-虚拟可视化、触觉交互与上下文叠加相结合，显著提升了本科阶段 STEM 专业学生对复杂网络图的理解，并使初始信心较低的学生从中获益。
本文提出了 NSP-ML，这是一个将视觉数据与受正态性引导及时空先验感知的文本日志相结合的多模态学习框架，旨在显著提升对校园环境中上下文相关异常行为的识别能力，并在 CABRH8 数据集上实现了最先进的性能。
本文提出了 IoT-TrustChain，一种资源高效的基于区块链的访问控制框架，该框架通过集成动态委托和事件感知策略，在增强受限物联网环境实时响应能力的同时，显著降低了决策延迟和 Gas 消耗。
本研究表明，图像嵌入式提示注入对牙科视觉语言模型构成了显著的跨厂商安全风险，揭示了尽管所有测试的商业和开源系统都存在漏洞，但基于OCR的净化和具备溯源意识的治理策略可以在有效缓解这些攻击的同时，保持临床诊断的准确性。
本文提出了一种新颖的边界感知深度仿射注意力网络，该网络集成了边界词对关系建模、动态卷积和深度仿射注意力，以有效解决实体边界识别和长程依赖建模中的挑战，并在五个基准数据集上的平铺及嵌套命名实体识别任务中均达到了最先进的性能。
本文介绍并评估了 Bernardes 分支感知毕达哥拉斯残差场（Bernardes Branch-Aware Pythagorean Residual Fields），这是一种专门的非制造几何处理诊断工具，旨在为探索性网格包络分析生成分支兼容的轮廓线索，同时明确承认其与标准距离场相比在坐标依赖性、分辨率敏感性以及缺乏制造保证方面的局限性。
本研究提出了一种利用 YOLO 架构的深度学习框架来检测并分类八种驾驶员活动，证明了 YOLOv8n 模型在包含 5,422 张图像的数据集上实现了 96.3% mAP 的卓越实时性能，从而为增强智能交通系统中的道路安全提供了有效的解决方案。
这项针对 136 篇文章的系统性文献综述确定了关于统一建模语言（UML）符号质量与可理解性的 14 个关键研究视角，揭示了向测试与评估发展的增长趋势，并提出了包括与低代码平台集成以及增强自动化评估在内的未来研究方向。
本文提出了可解释边缘智能（IEI）框架，该框架结合了 LSTM-Autoencoder 与经过 K-Means 压缩的 KernelSHAP，旨在实现对 5G 私有网络中服务质量（QoS）异常的实时、因果根因分析，并证明了高准确率以及为防止部署失败而进行局部校准的至关重要性。
本文提出了脑-行为对齐网络跨模态对比学习 Transformer（BBAN-CMCLT），这是一种新型多模态深度学习模型，通过有效对齐大脑与行为模式，整合了 fMRI、面部、眼动追踪及临床数据，在检测自闭症谱系障碍方面达到了 98.97% 的最先进准确率。