4092 篇论文
本文提出了一种混合机器学习框架，该框架集成了用于信号分解的变分模态分解、用于特征选择的递归特征消除、用于类别平衡的SMOTE，以及用于实现基于CPCB数据的高准确度（98.5%）空气质量分类系统的CatBoost–SVM分类器。
本文引入了伽罗瓦理论量子纳什学习（GT-QNL），该框架证明了由于阿贝尔-鲁菲尼定理的存在，经典优化器无法在非可解代数景观中找到量子纳什均衡，而一种新颖的量子编织算法通过物理实现伽罗瓦群作用来克服这一障碍，从而保证收敛。
本文通过基于仿真的研究，利用 Contiki-NG 在多种拓扑和移动场景下生成了一个包含五种代表性 RPL 网络层攻击的标记数据集，并提取了 50 多个特征，旨在为开发和评估低功耗物联网中具备拓扑感知能力的机器学习检测系统建立一个可复现的基准。
本文提出了一种基于图的分解框架，该框架通过将网络划分为较小的子问题、分别求解并对聚合结果进行优化，从而提高了在大规模交通网络上解决基于流的充电站选址问题的计算效率和可扩展性。
本文提出了一种用于物联网的 Rust-Python 混合 SPV 验证引擎，通过采用内存映射流式架构来减轻垃圾回收延迟和内存风险，从而在资源受限的设备上实现了 4.35 倍的吞吐量提升以及高达 75% 的能耗降低。
该论文提出了 ZBA-SU，一种集成零知识证明、区块链和密文策略属性基加密的新型框架，旨在为物联网设备提供安全、隐私保护且可扩展的软件更新，同时减轻对中心化信任的依赖以及属性泄露问题。
本文评估了不确定性条件下大语言模型决策智能体的选择性风险控制，发现虽然在弃权成本较低时，强制性对抗性批判可以作为高风险案例的有效保守门控，但它并不能本质上提高主动决策质量，而应被视为一种可调优的延迟层，而非对简单策略的优越替代。
本文提出了一种具有不平衡韧性的网络入侵检测框架，该框架结合了优化的特征选择、基于 TVAE 的少数类数据增强以及堆叠集成学习策略，旨在实现对 CSE-CIC-IDS2018 数据集上常见及罕见网络攻击的高准确率和鲁棒性检测。
本文提出了 FuMO-Edge，一种结合了二型区间模糊逻辑与 NSGA-II 的在线移动边缘计算编排器，旨在优化不确定性下的任务放置，并证明了与现有的一型基准方案相比，该方案能显著降低服务时间和失败率，尤其是在高密度设备场景下。
本研究表明，一种利用 23 个加密前 Windows API 指标的异构 ANN–LightGBM 堆叠模型在分类勒索软件家族和良性软件方面能够实现高准确率（95.20%），提供了一种优于独立神经网络架构的主动防御机制，同时也强调了进一步外部验证的必要性。