💻 计算机科学
Multi-classification of Brain Tumor MRI images using Convoluted Neural Network (CNN) based approach
本研究提出了一种自定义的七层卷积神经网络（CNN）模型，该模型在将脑部 MRI 图像分类为胶质瘤、脑膜瘤、垂体瘤和正常类别方面实现了 96.10% 的测试准确率，在不依赖预训练模型的情况下，展示了用于计算机辅助诊断的稳健性能。
💻 Category
cs
4092 篇论文
💻 计算机科学
Construction of a Personalized Physical Fitness Training Recommendation System Based on Random Forest and Gradient Boosting Machine
本文提出了一种领域知识驱动的分层协同学习（DKHCL）框架，该框架将随机森林特征选择与梯度提升机预测以及急性-慢性负荷比约束相结合，以实现高准确度的个性化体适能建议，并在前瞻性实地验证中展示了其不仅在离线性能上优于先进基准模型，且在减少损伤和提高目标达成效率方面具有显著的现实意义。
💻 计算机科学
Enhanced EA-Transformer for Power Load Data Completion
本文提出了一种增强型 EA-Transformer 模型，该模型通过集成双基准预填充策略、动态衰减进化算法以及多维加权损失函数，旨在实现针对各种缺失机制和缺失率下的电力负荷时间序列数据的高精度补全。
💻 计算机科学
Intention modeling mediates cooperative incompatibility via character separability
本文表明，在需要针对不同伙伴类型制定不同最优策略的环境中，显式意图建模通过建立一种将伙伴的稳定性格与其动态心理状态相分离的分工机制，从而减少了伙伴间的互不兼容性，进而提升了协作性能，其表现优于隐式方法。
💻 计算机科学
A HamNoSys-Guided Dataset and Baselines for Fine-Grained Isolated Handshape Recognition in Sign Language
本文介绍了一个大规模、基于 HamNoSys 的数据集，包含来自 15 名参与者的 144,000 张 RGB 图像，涵盖 160 个手型类别，并通过在受试者相关和留一受试者测试评估协议下使用各种深度学习和机器学习模型，建立了基准性能，以推进细粒度手语识别。
💻 计算机科学
From Sustainability Assessment to Decision Records: The SEEDS Framework for Sustainable Requirements Engineering in Digital Health Software
本文介绍了 SEEDS，这是一个用于数字健康领域可持续需求工程的角色感知框架，它将多维度的可持续性评估转化为可操作的决策记录和需求，并辅以一种新型的、由大语言模型辅助的起草工具，以增强实际应用中的采用率。
💻 计算机科学
Hybrid Random Forest and Differential Equation Control for Fragmentation Reduction in De-duplication Storage Systems
本研究提出了一种混合随机森林与微分方程（RF-DE）控制器，该控制器能有效减少去重存储系统中的碎片化，与现有的无碎片控制和存储碎片感知垃圾回收方法相比，实现了更低的碎片率、显著降低的 I/O 延迟以及更高的存储健康指数。
💻 计算机科学
Beyond Sequential Hybrid Retrieval: A Parallel Framework for Accurate and Scalable RAG
本文介绍了 PH-RAG，这是一种并行混合检索框架，它通过同时执行稀疏检索与稠密检索，并结合融合与重排序技术，在开放域问答任务上实现了最先进的准确率并提升了延迟，其性能超越了复杂的智能体基准模型，且无需知识图谱或迭代式批判器。
💻 计算机科学
Causality-Constrained Generative Adversarial Networks for Bias-Resilient Data Synthesis
本文综述了因果约束生成对抗网络（CC-GANs），这类网络通过整合结构因果模型与干预手段，超越关联模式以应对歧视性路径，从而生成具有抗偏见性的数据，同时提出了一个比较分类法，总结了公平性与效用的权衡关系，并指出了高风险场景应用中所面临的关键挑战。
💻 计算机科学
Federated Learning Framework with Differential Privacy over Homomorphic Vector Encryption for Data-Sensitive Applications
本文提出了一种轻量级且安全的联邦学习框架，该框架将差分隐私与同态向量加密相结合，旨在保护如物联网医疗（IoMT）等数据敏感型应用免受逆向工程攻击，并量化了相关的预测与加密开销。