4092 篇论文
本文介绍了谱基可解释单元（Spectral Basis Interpretable Unit, SBIU），这是一种受经典启发并以量子力学为动机的神经模块，它通过学习正交投影来实现通用函数逼近和无监督机制发现，并在合成数据集和真实临床数据集上均展现出高可解释性和具有竞争力的性能。
本文介绍了字典式 KAN（Dictionary-KAN, DKAN），这是一种经过机器验证的架构，它通过采用复系数径向基函数（RBF）字典和离散分层细化技术，解决了 Kolmogorov-Arnold 网络中的优化悖论，从而在实现卓越的多变量回归、偏微分方程（PDE）系数恢复以及硬件高效的可解释性的同时，避免了基于连续样条的 KAN 所存在的内存和收敛问题。
CONCORDAT 是一个跨孤岛的联邦学习框架，通过整合来自多个站点的异构且不完整的健康数据，同时解决缺失性、差分隐私和子群公平性方面的挑战，从而实现可信且保护隐私的多模态自闭症研究。
本文通过建立一个放宽了严格收缩限制的不动点理论，证明了在 Wardowski -收缩下的存在性与唯一性，展示了 Krasnoselskii–Mann 迭代对非扩张算子的收敛性，并推导了用于鲁棒训练的 Lipschitz 稳定性界限，从而推进了深度均衡模型（Deep Equilibrium Models）的发展。
本文提出了一种结合对抗训练与梯度掩码的防御框架，旨在显著增强基于深度学习的入侵检测系统针对对抗性攻击的鲁棒性，同时保持对良性流量的高准确率。
本文提出了一种统一的软自适应聚合框架，通过引入用于可微语义分块的 Soft-ChunkAttn 和用于输入自适应层合并的 Virtual Dynamic Block-AttnRes，在保持原始计算图以实现高效 GPU 部署的同时，缓解了长上下文大语言模型中的序列与深度信息稀释问题。
本文介绍了 EIDOLON-RL，这是一种混合分层强化学习框架，它通过将对手建模、世界建模和风险自适应规划相结合，旨在为 AAA 级动作游戏生成公平、清晰且计算高效的 AI 角色，其核心在于通过数学手段强制执行动画有效性和刻意缺陷等生产约束，而非将其视为事后的工程修正。
本文表明，通过使用控制感知目标（即优先考虑保持候选动作排序而非静态回归精度）来优化物理神经网络，可以显著增强在稳态调节和倒立摆稳定等任务中的闭环调节性能以及对扰动的鲁棒性。
本文建立了一个经过验证的动态图深度学习异常检测分类法和统一基准，揭示了简单的基于度数的启发式算法在合成基准测试上往往优于复杂的深度模型，但在真实世界数据上却表现不佳，并暴露了当前评估实践和已发表实现方案中的关键缺陷。
本文介绍了 X-StrGNN，这是一种针对 StrGNN 图异常检测器的零退化事后解释层，它能为被标记的边提供稳定、低成本的结构与时间归因，同时在保持原模型检测性能方面达到了机器精度。