cs 篇论文 | Gist.Science

本文介绍了一种两阶段 MiniZinc 排课模型，该模型揭示了结构性约束对搜索空间的巨大缩减作用，证明了求解时间随实例规模呈亚指数级增长，并对现实世界的校园课表进行了审计，以表明教室冲突主要源于分配效率低下而非资源匮乏，从而提供了一个用于识别哪些硬约束应当被放宽的数据驱动框架。

本文介绍了一种单文件、可通过 pip 安装的 CuPy 实现，该实现能够在无需 CUDA 工具包或 C++ 编译器的条件下实现 GPU 加速的 3D 非局部均值去噪，在保持输出精度和交互可用性的同时，与基于 CPU 的 scikit-image 参考实现相比实现了超过 100 倍的加速。

本文提出了一种双流可见光-红外目标检测网络，该网络集成了基于小波的特征建模、用于空间对齐的 OffsetNet 模块以及用于跨模态特征融合的 SwinFusion 模块，以有效解决空间失配和模态差异问题，从而提高检测精度。

本文研究了上下文压缩何时能使长程智能体受益，发现虽然它可以通过避免昂贵的缓存读取来降低成本，但由于生成摘要和触发额外请求带来的开销，它往往会增加总费用和延迟，使其仅在剩余后续工作量足以抵消这些成本且缓存读取价格异常高昂时才具有优势。

本文提出了一种用于国际患者摘要（IPS）查看器的分层客户端翻译架构，该架构通过利用 FHIR 的结构化数据来优先考虑高质量的翻译来源（涵盖从静态国际化和术语服务器到机器翻译的范围），从而在保持语义完整性的同时，透明地管理跨国电子健康生态系统中的回退机制和数据保护挑战。

本文提出了 CTLGNN，这是一个通过将交互建模为连续时间线图中的边节点，并利用动态自注意力网络来捕捉长期偏好和短期行为转变，从而解决新闻推荐中用户兴趣漂移问题的创新框架，其性能优于现有的基准模型。

本文介绍了约束感知遗传任务规划（CGTP），这是一种能够保证优先级可行任务序列，并能针对模块化机器人组装过程中的执行扰动实现鲁棒且具备状态感知的局部重规划的进化算法，它通过牺牲少量的静态性能代价，换取了卓越的可靠性与结构可恢复性。

本文提出了一种保护隐私的端侧助手原型，该助手将本地小语言模型与用于拦截恶意提示词和掩盖敏感数据的输入输出护栏相结合，在展示轻量级流水线可行性的同时，也强调了当前的检测差距以及进行更严格评估的必要性。

本文通过在威斯康星州诊断乳腺癌数据集上使用无泄漏交叉验证对四种机器学习模型进行基准测试，旨在证明仅使用 10 个平均细胞核测量值的紧凑特征集即可达到与使用全部 30 个可用特征相当的诊断性能，从而表明增加复杂度最多只能带来微小的、统计学上未证实的增益。

本研究评估了四种机器学习分类器在威斯康星州诊断乳腺癌数据集上的性能、校准及阈值选择，结果表明，尽管模型实现了高准确率和高AUC，但其概率校准因算法而异，且由于样本量有限，达到目标灵敏度阈值仍具有不确定性，从而强调了人工智能驱动的临床决策支持中至关重要的考量因素。