2550 篇论文
本文介绍了 HE-CloudML，这是一个保护隐私的框架，它通过使用同态加密技术，实现了在加密云数据上进行安全且高效的深度神经网络推理，在确保对各种隐私攻击具有鲁棒抵抗力的同时，达到了接近明文的准确度，并较现有解决方案显著提升了延迟性能。
本文介绍了 WSymBERT，一种加权神经符号注意力模型，该模型将上下文语言理解与结构化专家知识相结合，以实现对 CVSS v3.1 基础指标高度准确且具可解释性的自动化预测，在超越现有 Transformer 基准模型的同时，更紧密地契合专家推理逻辑。
MAP-RAG 是一种创新的多视图自适应框架，通过将结构化电子病历分解与混合检索及动态置信度路由相结合，提升了临床诊断的准确性与效率，并证明了其在多个医学科室中相较于基准模型的卓越性能。
为了解决由过度乐观的基准测试和准确性-公平性权衡导致的医学分割基础模型中的转化差距，本文引入了 OrganSegBench，这是一个严谨的多维评估框架，它论证了通过集成策略实现的原则性模型协同如何优于单体模型，从而在实现安全、公平且具有临床可信度的人工智能方面表现更佳。
本文提出了一种结合了 BM25 与基于 BioBERT 的语义搜索以及倒数排名融合（Reciprocal Rank Fusion）的混合检索增强生成框架，旨在增强可解释性、个性化的临床决策支持与疾病早期风险预测，并在一个包含 182,000 条医疗记录的数据集上，实现了优于传统基准模型的检索性能。
本研究提出了一种可解释的混合经典-量子支持向量机模型，该模型利用多国数据实现了卓越的孕产妇心理健康风险预测性能（准确率达 99.86%），并通过 SHAP 分析识别出了关键的临床预测因子。
本文表明，当 Hubble/eBPF 网络遥测数据与精心构建的地面真值标签相结合时，能够有效检测 Kubernetes 环境中的运行时攻击和配置错误，并揭示了尽管基于规则的检测器具有高精确度，而随机森林分类器具有更高召回率，但目的地侧身份属性仍是威胁最强有力的指标。
本文介绍了 ST-HAE，一种无监督时空混合自编码器，该模型通过仅在良性流量上进行训练，并利用双向时间编码，在具有现实类别不平衡特征的异构物联网网络中实现了高精度异常检测，且与现有方法相比显著降低了误报率和方差。
本文提出了一种基于多模态 Transformer 的方法，该方法整合了视频、音频和姿态数据，以稳健地评估学前儿童在课堂上的注意力水平，并证明了与基准模型相比，该方法在各种专注状态下均具有更优越的性能和稳定性。
本文通过引入 CBEC-AIGC-Bench 数据集并提出 MFF-EComDet（一种结合了空间语义与频率伪影分支以及交叉注意力机制的多特征融合网络，旨在有效区分生成伪影与促销文本干扰），解决了跨境电商中检测 AI 生成产品图像的挑战。