cs 篇论文 | Gist.Science

NeviUNet 是一种高效的、增强注意力的 U-Net 变体，通过集成 Mish 激活函数、注意力门（Attention Gates）和 SE 模块，同时省略计算昂贵的组件，实现了对全身图像中皮肤病变的高精度且低延迟的分割。

本文提出了 FlapFlowNet，这是一个基于 Transformer 的流式框架，通过结合轻量级 CNN、时间建模以及医学优化的损失函数，为变长皮瓣手术序列实现了高精度、实时的灌注监测，并显著降低了关键的假阴性率。

本文提出了 ORACOLO，一种将本体约束的 SPARQL 查询生成与稠密检索回退相结合的神经符号问答架构，证明了其在保持相当忠实度的同时，在事实准确性方面显著优于纯稠密检索。

本研究提出了一种混合 CNN-LSTM 深度学习模型，该模型通过结合全球基准测试和 NS-3 模拟的 SDN 流量的定制数据集进行训练，在检测针对苏丹电子政务基础设施的网络攻击方面达到了 97.8% 的准确率，为增强国家网络安全提供了一种可扩展的解决方案。

本研究提出了一种利用 XGBoost 模型进行可解释机器学习的框架，用于基于有限的项目信息预测建设初期的工期，并证明了虽然该模型以项目成本为主要驱动因素实现了强大的预测性能，但由于其对数据划分具有敏感性，其结果需要谨慎解读。

本文介绍了光子量子增强知识蒸馏（PQKD），这是一种利用光子量子处理器的内在随机性为参数高效的学生网络生成调节信号的混合框架，通过利用샷噪声缩放和特征平滑来应对有限采样限制，在标准基准测试中实现了在激进压缩下的竞争性准确率。

本文提出了一种用于 ARINC-653 分区窗口计数数的认证选择方法，该方法利用了许多窗口计数数产生近乎相同性能值的观察结果，从而在显著降低计算成本的同时，识别出近优的供应粒度。

本文提出了 PACPT-LB 框架，这是一种混合机器学习方法，通过利用大规模模拟数据集和优化的模型组合，在多种移动条件下实现卓越的准确性，从而主动预测 5G mmWave 网络中的切换失败、无线链路失败和乒乓事件。

本研究提出并验证了一种上下文感知型人工智能辅助筛查系统，该系统通过将视觉相似性与上下文风险判定相结合，在保持高灵敏度的同时降低误报率，从而显著提高了生物医学出版物中图像重复检测的效率与准确性。

本文提出了一种具有局部结构约束的可见性感知纹理一致性方法，旨在提升纹理退化场景下的 3D 高斯泼溅重建质量，在受控协议下展示了统计学意义上显著的鲁棒性增益，同时也承认了其在现实世界最先进性能方面的局限性。