cs 篇论文 | Gist.Science

本文介绍了 QNeuroGen，一种混合量子-经典神经网络框架，该框架通过将结构化预处理与变分量子特征编码相结合，实现了从噪声 EEG 信号中以 89.2% 的准确率和 48 毫秒的延迟进行实时认知状态解码。

本研究提出了一种经 Adam 优化的混合 ResNet101-LSTM 架构，该架构在 40 倍放大的 BreaKHis 病理组织图像分类中实现了高准确率和高特异性，在二分类和多分类场景下均优于其他深度学习模型。

本研究通过系统性地评估 12 种配置与经典模型的对比，证明了量子神经网络在风能预测方面的可行性，揭示了尽管存在 NISQ 时代模拟中固有的计算权衡，特定的 QNN 设计仍能实现具有竞争力的性能（R² 高达 0.94）。

本文介绍了 QGH-256，一种新颖的量子哈希算法，它通过将消息映射到环面网格上的加权图，并利用量子相位估计提取能够捕捉结构与动力学特性的谱特征，从而生成 256 位指纹，并通过 Qiskit 模拟证明了其强大的密码学敏感性和可行性。

本文介绍了 DDANet，一种结合了密集跳跃连接和双重注意力机制的新型密集双重注意力网络，旨在实现卓越的边界描绘能力和医学图像分割中的泛化能力，其准确率、Dice 指数和 IoU 分数均优于基准模型。

本文提出了 TinyOL-ARLDA，一种基于正则化线性判别分析的轻量级、设备端增量学习框架，它使微控制器能够实现实时、不依赖云端的基于声音的预测性维护，准确率超过 94% 且内存占用低于 20 KB。

本文提出了 CGS-RAG，这是一个利用 HDRF 算法进行可定制社区划分与语义报告的新型框架，旨在通过在动态知识场景中平衡全局语义一致性与高效的资源利用，来克服传统及图增强型 RAG 系统的局限性。

本文提出了一种用于飞行模拟器训练的确定性、基于概念驱动的框架，该框架通过受约束的学习策略将亚符号证据映射为可接受的情景适配，通过形式化安全保证确保可靠性，并证明了在逼近经验证的基准策略方面的经验有效性。

本文提出了一种融合步态视频、惯性信号、足底压力及膝关节屈曲数据的多模态计算框架，旨在实现对老年患者膝关节功能的高精度智能评估与运动风险预测，并证明了其相比现有基准模型具有更优越的稳定性和鲁棒性。

本研究表明，子流形稀疏卷积网络（SSCN）利用极少的训练数据，实现了精度达97.2%、覆盖率达99.7%的高精度、作业级航空LiDAR水深测量处理，为自动化海岸测量和航道图绘制建立了可复现的基准。