2550 篇论文
本文提出了一种结合了 BM25 与基于 BioBERT 的语义搜索以及倒数排名融合（Reciprocal Rank Fusion）的混合检索增强生成框架，旨在增强可解释性、个性化的临床决策支持与疾病早期风险预测，并在一个包含 182,000 条医疗记录的数据集上，实现了优于传统基准模型的检索性能。
本研究提出了一种可解释的混合经典-量子支持向量机模型，该模型利用多国数据实现了卓越的孕产妇心理健康风险预测性能（准确率达 99.86%），并通过 SHAP 分析识别出了关键的临床预测因子。
本文表明，当 Hubble/eBPF 网络遥测数据与精心构建的地面真值标签相结合时，能够有效检测 Kubernetes 环境中的运行时攻击和配置错误，并揭示了尽管基于规则的检测器具有高精确度，而随机森林分类器具有更高召回率，但目的地侧身份属性仍是威胁最强有力的指标。
本文介绍了 ST-HAE，一种无监督时空混合自编码器，该模型通过仅在良性流量上进行训练，并利用双向时间编码，在具有现实类别不平衡特征的异构物联网网络中实现了高精度异常检测，且与现有方法相比显著降低了误报率和方差。
本文提出了一种基于多模态 Transformer 的方法，该方法整合了视频、音频和姿态数据，以稳健地评估学前儿童在课堂上的注意力水平，并证明了与基准模型相比，该方法在各种专注状态下均具有更优越的性能和稳定性。
本文通过引入 CBEC-AIGC-Bench 数据集并提出 MFF-EComDet（一种结合了空间语义与频率伪影分支以及交叉注意力机制的多特征融合网络，旨在有效区分生成伪影与促销文本干扰），解决了跨境电商中检测 AI 生成产品图像的挑战。
FluxGraph 是一个用于时间序列异常检测的无监督框架，它通过将动态图注意力与通量记忆（flux memory）以及双向特征流相结合，有效地识别工业和汽车系统中细微的伪装异常和渐进的基准漂移，并通过一种新颖的多残差融合方法超越了现有方法。
本文提出了一个多层框架，通过将响应分解为原子断言、利用检索进行锚定，并结合小语言模型与神经符号推理进行验证，从而增强大语言模型的事实可靠性，在保持可解释性和计算效率的同时，在 HotpotQA 和 SciFact 数据集上实现了显著的性能提升。
本文提出了一种知识约束的神经框架，该框架将形式化几何规则嵌入到图补全模型中，以保证伊斯兰几何图案的精确旋转对称性和结构有效性，并证明了虽然数据增强可以提高逼真度，但只有对称结构化的推理才能确保零违规。
GeoMind 是一个自主多智能体框架，它集成了本地大语言模型（LLM）、基于检索增强生成（RAG）的上下文注入以及确定性地理空间验证器，通过闭环自纠正系统实现了高达 90% 的任务成功率和显著提升的地理空间分析精度，有效地克服了通用大语言模型中常见的语义与地理幻觉问题。