cs 篇论文 | Gist.Science

PolyDetect 是一个实时、质量感知的混合深度学习框架，它通过集成无参考图像质量评估模块、自适应增强以及加权训练，在退化的结肠镜图像中实现了鲁棒且达到最先进水平的息肉分割。

本文介绍了并评估了“AWAKEN”攻击家族，该家族利用智能体通信协议（Agent Communication Protocol）的暂停-恢复机制及类型化元数据字段，通过注入向量绕过安全防护机制，并证明了结合基于随机数（nonce）的离线验证与结构化围栏技术可以有效缓解这些高权限提示词注入风险。

本文提出了 QGF-Net，一种结合了自监督视觉 Transformer 与光照一致性局部融合模块、判别性区域提议机制以及量子测量注意力机制的量子-经典混合框架，旨在实现细粒度图像分类中最先进的性能与鲁棒性。

本研究采用设计科学研究方法，通过分析现有程序模型来构建集成社会技术人工智能参考模型（ISAR-M），旨在解决人工智能实施与组织转型之间的失调问题，通过使技术能力与组织准备度同步，以消除学科孤岛并确保人工智能的成功采用。

本文介绍了 NormDef-FR，这是一个包含 693 条法语规范性定义的高质量、开源标注语料库，旨在支持并基准测试自动化法律自然语言处理任务，如知识提取、信息检索和检索增强生成。

本文介绍了自监督多模态 Transformer (SS-MMT)，这是一种创新的深度学习框架，它通过掩码自编码器预训练和跨模态注意力机制，将经 GAN 增强的超分辨率 MRI 与 ICU 时间序列数据相结合，实现了具有 0.945 AUC-ROC 的最先进早期脑肿瘤预测。

本文提出了 MTFF，一种基于 Transformer 的轻量级框架，该框架将来自五个经典 EEG 频段的带内节律模式融合为可学习的标记，从而在数字认知任务中，针对噪声较大的单通道 EEG 信号实现鲁棒的注意力状态分类。

本文介绍了一种在 MATLAB 中开发的具有成本效益的纯软件语音识别与合成工具（SRST），该工具通过将语音转换为高对比度文本以及将文本转换为合成语音，实现了听障人士与视障人士之间的双向交流，且在无需专门硬件的情况下达到了约 90% 的运行效率。

本研究表明，尽管精确转移矩阵方法能够实现生物医学摘要筛选中保真度量子核的高效评估，但所得模型在整体排序性能方面未能超越强大的经典基准模型，尽管其在高灵敏度阈值下的操作点效用方面提供了特定改进。

本文引入了一种用于语音伪造检测的流式序列决策层，该层虽然无法在真实电话编解码器下提高原始准确率，但通过利用基于置信度的早期弃权机制显著降低了已承诺通话错误，并强调了校准必须针对特定的信道条件进行调整，以避免严重的过度自信问题。