2550 篇论文
这项针对445项近期研究（2024–2026年）的系统综述指出，由于具有线性计算复杂度，CNN-Mamba混合架构是医学成像中最有效的架构，同时也强调了必须通过原生3D模块来解决空间信息丢失和内存消耗等关键挑战，以实现临床集成。
本文提出并评估了一种混合入侵检测框架，该框架将监督学习（随机森林和 XGBoost）与基于 LSTM Autoencoder 的异常检测模型相结合，应用于对齐后的 IoT 和云数据集，证明了尽管这种方法显著提高了对未知攻击的检测鲁棒性和召回率，但同时也必须以增加误报率和降低精确度作为权衡。
本文提出了 YOLOv10n-FBD，一种集成了 CCFM 特征融合、PSA-BiFormer 注意力机制和 C2f-Dual 策略的轻量化樱桃番茄成熟度检测模型，在实现高精度（94.3% mAP）和高速度（369 FPS）的同时，显著降低了与现有方法相比的模型大小和计算复杂度。
本研究提出了一种基于 LSTM 的低资源语言阿萨姆语语音识别系统，该系统利用自建数据集和混合声学特征实现了 95% 的准确率，同时强调了元音之间音素相似性所带来的挑战。
本文提出了一种基于视觉上下文感知和空间感受野的算法，该算法通过整合残差状态空间建模、引导向量和多尺度可变形注意力机制，有效解决了局部像素遗忘和空间感知不足的问题，从而修复敦煌壁画，并显著提升了修复质量指标。
本文提出了一种深度跨网络（DCNN）框架，通过提取并关联结构与功能特征，在检测基于 FPGA 的 VLSI 电路中的隐蔽硬件木马方面实现了 98.4% 的准确率，提供了一种能够降低对黄金参考模型依赖性的可靠解决方案。
这项对104项研究进行的系统综述表明，数字无障碍研究正由自动化工具主导，并集中在教育和政府领域，从而产生了一种“评估—行动差距”，即方法论上的便利性和行业偏差已经取代了以用户为中心的方法，并且未能解决过去十年中持续存在的无障碍障碍。
本文介绍了 OntoLearner，这是一个模块化的开源框架，它统一了本体访问、大语言模型驱动的学习流水线以及跨 22 个领域的标准化基准测试，并揭示了本体学习的主要瓶颈在于模型知识编码与本体组织之间的结构性失配，而非模型本身的能力。
本研究提出了一种检索增强的大语言模型方法，能够高精度地将非结构化的评估反馈转化为与课程对齐的错误模式，从而使教学团队能够反思教学影响并指导针对性的课程修订，以应用于高等教育领域。
本研究评估了四种领先的基于大语言模型的对话智能体作为网页导航辅助技术的有效性，发现尽管它们在通过解析页面结构和引导交互以增强不同用户群体的无障碍体验方面展现出令人期待的潜力，但其性能在不同工具之间存在显著差异。