💻 计算机科学
Governing AI Coding Agents: An Empirical Analysis of Repository Artifacts
本研究通过对 555 个 GitHub 仓库治理工件进行实证分析，揭示了尽管这些工件能有效促进知识传递和编码标准，但它们缺乏稳健的监督机制，且与组织成熟度或领域之间不存在系统性相关性，从而凸显了诸如指令模糊和碎片化等重大缺陷。
💻 Category
cs
3775 篇论文
💻 计算机科学
Autonomous hardware security evaluation from reconnaissance to physical validation
本文提出了一种基于大语言模型（LLM）的自主智能体，该智能体集成了侦察、固件分析和人机协同控制，成功地在 ATmega328P 微控制器和 Artix-7 FPGA 上执行并验证了激光故障注入攻击，展示了一种可扩展的物理硬件安全评估工作流。
💻 计算机科学
Improving Reliability in Plant Disease Semantic Segmentation by Quantifying Benchmark Contamination and Duplicate Family Exposure
本文通过对 PlantSeg 基准测试进行审计，揭示了 10.7% 的图像存在跨拆分视觉家族污染（cross-split visual family contamination）问题，这人为地使模型性能虚高了 11–15%，并证明了构建组间不相交的拆分（group-disjoint splits）可以在不牺牲疾病类别覆盖率的情况下，有效恢复评估的独立性。
💻 计算机科学
SAM-NeuroAdapt: an atlas-guided, training-free pipeline for skull-stripping in infant and adult MRI
本研究介绍了 SAM-NeuroAdapt，这是一种无需训练的颅骨剥离流水线，它利用年龄匹配的图谱配准来引导冻结的 Segment Anything Model，证明了图谱引导是准确性的主要驱动因素——特别是对于婴儿 MRI 而言——同时在无需进行特定任务训练的情况下，其表现优于或等同于经过训练的方法。
💻 计算机科学
Beyond isolated characters: the first segmentation-free recogniser of handwritten Meitei Mayek words
本文介绍了首个无需分割的手写梅泰字母（Meitei Mayek）单词识别器，该识别器通过从孤立字符合成训练数据，实现了比传统基于字符的方法显著更低的错误率，同时也识别了该文字在语言学和位置上的特定挑战。
💻 计算机科学
Integrating Vision Liquid Time-Constant and Wavelet for RGB-D Salient Object Detection
本文提出了 LWNet，一种新颖的 RGB-D 显著性目标检测框架，该框架集成了一个用于保持局部结构完整性的视觉液体时间常数模块（Vision Liquid Time-Constant module）和一个用于频率感知特征互补性的跨模态小波融合模块（Cross-Modal Wavelet Fusion module），从而克服了现有 CNN、Transformer 和 Mamba 架构的局限性，并在自然图像和遥感基准测试上均达到了最先进的性能。
💻 计算机科学
DuoKGQA: A Novel Dual-Module Framework for Cypher Query Generation in Knowledge Graph Question Answering
本文提出了 DuoKGQA，这是一个创新的双模块框架，它利用先进的自然语言处理技术来准确分类学术问题并识别程序名称，从而生成用于知识图谱问答的高性能精确 Cypher 查询。
💻 计算机科学
Depression Detection in Bengali Social-Media Text via Clinically Grounded Linguistic Feature Fusion and Interpretable Machine Learning
本文提出了一种透明且可复现的机器学习流水线，通过将具有临床依据的心理语言学标记与标准文本特征进行融合，并采用一种可解释的集成模型，在检测孟加拉语社交媒体中的抑郁症方面实现了高准确率（F1 分数为 91.69%）。
💻 计算机科学
RAVEN: Representation-Aware Reliability Validation under Data Distribution Shifts
RAVEN 是一个事后（post-hoc）框架，它通过证明多级表示不稳定性能够为故障检测提供超越传统置信度的互补预测信号，从而增强了数据分布偏移下的可靠性验证。
💻 计算机科学
Development of a Computer Vision System for Stone Segmentation During CVAC 2.0 In-Scope Aspiration Ureteroscopy
本文介绍了 StoneClear 的开发与验证，这是一种人工智能驱动的计算机视觉系统，该系统在 CVAC 2.0 辅助下输尿管镜检查过程中，能够高精度地检测并进行残余结石碎片的像素级分割，从而为实时术中评估结石清除情况奠定了坚实基础。