cs 篇论文 | Gist.Science

本文介绍了虚拟言语治疗师（VST），这是一个由人工智能驱动、临床医生在环的平台，它将基于深度学习的口吃分类与多智能体大语言模型推理相结合，以生成、评判并完善个性化且基于循证依据的治疗方案，供专家进行审查与实施。

本文介绍了“掷骰子法”（Dice Roll Method），这是一种具有统计学原则的协议，它通过负二项分布广义线性混合模型（GLMM）框架和基于模拟的效能分析，取代了存在缺陷的参数假设，旨在为衡量大语言模型输出中的随机偏差建立标准化的迭代次数和可靠性阈值。

MobiShield 是一种用于安卓恶意软件检测的新型联邦学习框架，它通过集成自适应特征加权、基于 Hoeffding 的漂移检测以及根据分布偏移调整噪声水平的动态差分隐私机制，同时解决了非独立同分布（non-IID）数据异构性、概念漂移和隐私泄露问题。

本文提出了一种隐私保护的联邦学习框架，该框架通过集成混合深度神经网络与 XGBoost 模型，在有效检测医疗物联网环境下网络威胁的同时，解决了与数据隐私、非独立同分布（non-IID）数据分布以及对抗性攻击相关的问题。

本文提出了一种轻量级、模块化的检索增强框架，通过利用 TF-IDF 证据检索和加权验证，有效地检测并纠正大语言模型中的幻觉，在无需多 LLM 推理带来的计算开销的情况下，实现了高检测准确率和显著的幻觉减少。

本文提出了一种新颖的概念框架——Secure QoS-IPv6，该框架通过在四层 SDN 和 6TiSCH 架构中协同整合 AI 驱动的异常检测、轻量级联盟区块链以及基于深度强化学习的路由技术，旨在全面解决资源受限且异构的 IPv6 物联网网络中的安全、信任和业务质量（QoS）挑战。

本研究表明，仅利用出版时间信息即可准确预测临床胃肠病学文章的引用风险结果，其中非语义基准模型和全文档嵌入模型在识别限定文献库内的低引用论文方面表现出了高性能。

本文提出了 CAFR，一种通过采用非对称整流机制以防止已知类别过度自信，并利用原型引导的前景建模来改进物体性估计，从而在保持稳定已知类别性能的同时，实现卓越的精确率和 F1 分数的双路径检测框架，旨在增强未知目标检测。

本文提出了一种面向安全关键型开放式架构自动驾驶仪的学习驱动自主框架，该框架集成了用于不确定性感知预测的三元条件变分自编码器（CVAE）、风险感知模型预测控制（MPC）以及控制屏障函数（CBF）安全滤波，并全部在异构三冗余架构内进行编排，以确保车辆导航的安全性和自适应性。

本文提出了一种双通道专利向量化方法，该方法利用权利要求结构分析来分别对系统级和细节级语义进行编码，随后通过带有去相关修正的门控机制进行融合，从而显著提高了专利匹配精度，超越了现有的全文本基准方法。