4092 篇论文
本文提出了一种名为 MeanRadius-SMOTE 图神经网络（MRS-GNN）的新型框架，该框架通过在嵌入空间中生成合成节点并创建专门的边以保留图拓扑结构，解决了故障与入侵检测中的类别不平衡问题，从而在极端不平衡条件下显著提高了分类准确率和 AUC-ROC。
本文提出了一种用于车载自组织网络（VANETs）的安全且高效的认证方案，该方案结合了 ECDSA、ECDH 以及基于 SHA-256 的 HMAC 以确保消息完整性和会话密钥建立，同时采用动态伪名以保护隐私，利用基于公钥的撤销列表进行高效的证书管理，并利用基于 GPS 的时间同步来防止重放攻击。
本文提出了一种鲁棒的集成深度学习框架，该框架通过多数投票机制结合了 DenseNet、ResNet 和 Xception 模型，以实现对森林火灾和烟雾的高精度检测，在仅火灾以及火灾加烟雾的数据集上均优于单一模型。
本文介绍了一种新型的、基于 Shiny 的低代码数据脱敏平台，该平台通过直观的界面、集成的风险评估以及自动生成 R、Stata 和 Python 的可重复代码，赋能研究人员（尤其是资源受限环境下的研究人员）来保护敏感信息并确保数据效用。
本文介绍了一种受指数平滑法启发的创新循环神经网络，该网络利用一种基于粒子群优化算法的学习算法和一种新的目标函数，在季节性时间序列预测方面实现了优于现有深度及浅层人工神经网络的卓越性能。
本文通过使用 OULAD 数据集，引入了一个用于时间性辍学风险预测的统一、多维生存基准，证明了行为和时间信号优于静态属性，同时强调了区分模型家族以避免评估伪影的必要性。
本文提出了一种鲁棒的多模态深度学习框架，该框架利用卷积神经网络（CNN）、双向长短期记忆网络（BiLSTM）和ECAPA-TDNN，通过自组织映射进行特征融合，将面部表情、心率变异性和语音信号相结合，在识别七种情绪状态方面达到了98.6%的准确率，并显著优于单模态基准模型。
本研究提出了一种多模态框架，该框架利用从舞蹈视频中提取的人体舞蹈运动动力学（从姿态关键点中提取），通过更好地将建议曲目与用户的具身节奏偏好及情感状态对齐，来增强个性化音乐推荐。
这项研究表明，视觉显著性而非仅仅是稀缺性，是微调后的医学影像模型产生记忆化和成员推理漏洞的主要驱动因素，并证明了医学领域预训练无法缓解这些风险，而 DP-LoRA 则能有效降低这些风险。
本文提出了用于消除摄像头偏差的特征校准（FCBE）框架，该框架通过风格感知度量校准和分布感知中值校准来减轻无监督行人重识别中的摄像头诱导偏差，从而增强聚类可靠性，并在 Market-1501 和 MSMT17 数据集上实现了最先进的性能。