2550 篇论文
本文介绍了 MotionMonitor，这是一种结合了智能手表感知与移动界面的技术探针，旨在支持临床医生和教育者在课堂情境下解读与 ADHD 相关的行为，并强调有效的可穿戴系统必须保留环境细微差别、最大限度地减少学生分心，并作为人类理解过程的提示而非自动化诊断工具。
本文提出了一种领域特定的基于扩散模型的数据增强框架，该框架能够为粘虫板上的稀有害虫物种生成具有标注一致性的合成图像，有效地弥补了数据稀缺差距，并在无需额外人工标注的情况下，显著提升了多种架构下的实例分割性能。
通过对2020年至2025年间的401份文献进行文献计量分析，本研究揭示了尽管人工智能驱动的情感（affective）与情绪（emotion）研究已成熟为一个在2023年出现显著增长拐点的连贯生态系统，但这两个概念表现出迥异的取向——即“情感”研究侧重于教育实践，而“情绪”研究侧重于技术开发——因此有必要提出一个双重知识生产模型来指导跨学科协作。
本文提出了 CG-GNN，这是一个鲁棒的图神经网络框架，通过将社区引导的标签细化与边剪枝以及渐进式对比学习方案相结合，旨在缓解标签噪声问题，并在噪声和数据稀缺场景下超越现有最先进的方法。
本研究表明，在不考虑干预成本、因果有效性和下行风险的情况下，将基于 SHAP 的特征重要性评分直接转化为管理决策行为会产生显著的问责风险，这揭示了仅凭可解释性不足以实现负责任的 AI 驱动型决策。
本综述通过提出一个将威胁分为权重中毒和上下文中毒的全面分类法，系统地回顾了大语言模型时代的投毒攻击与防御，分析了代表性技术与防御策略，并概述了保障复合人工智能系统安全的未来研究方向。
FedDAAW是一个轻量级、隐私保护的异构联邦学习框架，它通过采用动态客户端选择和精度自适应聚合，在无需共享梯度或辅助数据的情况下，显著提高了在非独立同分布（non-IID）设置下处理多种任务（分类、情感分析和回归）的收敛效率和性能。
这项针对 2000 年至 2024 年间 1,225 篇出版物的文献计量分析揭示了机器人运动研究如何演变成一个由关键机构驱动、已趋成熟且全球协作的领域，并呈现出从基础机器人足球向深度学习和人机交互等先进人工智能应用转变的主题演进。
本文介绍了复合任务挑战（Composite Tasks Challenge, CTC），这是一个旨在严格评估多智能体强化学习中分工与协作的新型基准测试套件，它揭示了当前最先进的方法无法解决这些任务，并证明了一个可解但具有挑战性的测试平台对于推动该领域的发展至关重要。
SousCoder 是一款本地优先、主动式的开发者助手，通过监测 VS Code、Chrome 和终端中的跨应用行为信号来检测开发者的困惑并进行具有上下文感知能力的干预，在实地评估中实现了低延迟和高相关性，并通过持久化记忆和多源感知扩展了前人的工作。