cs 篇论文 | Gist.Science

该论文介绍了 BioGCN，这是一种受生物学启发的图卷积网络，它通过整合 ATC 编码作为领域知识，与传统的机器学习方法及现有模型相比，显著提高了预测人体口服生物利用度的准确性。

本文提出了一种名为 DTRW-YOLO11s 的增强型绝缘子缺陷检测算法，该算法通过集成 DSDown 下采样模块、Triplet Attention 以及基于 RFCAConv 的多尺度感知与 WIoU 损失函数，在显著提高检测准确率和计算效率的同时，减少了复杂输电线路环境下的误检与漏检。

本文提出了 RECO-Rank，一种补偿性多证据排序模型，该模型整合了语义、主题和引用信号，旨在克服跨领域审稿人推荐中仅依赖语义优先过滤的局限性，从而在保持高排名精度的同时，提高对具有差异化术语的合适审稿人的识别能力。

本文提出了一种结合了神经网络、遗传算法、强化学习和支持向量机的创新型集成人工智能框架，旨在同时优化水泥配合比设计、窑炉控制和生命周期评估，在解决关键实施挑战的同时，显著降低二氧化碳排放、能耗及原材料使用量。

本文提出了 HCL-YOLOv8，这是一个轻量化检测框架，通过集成层次一致性学习、任务对齐标签分配以及专门的损失函数，旨在解决复杂背景下微小缺陷定位难的问题，从而增强输电线路绝缘子缺陷的识别能力。

本文提出了一种轻量级且具有可解释性的框架，该框架将生物力学引导的标准运动建模与四层时空图卷积网络（ST-GCN）相结合，旨在为体育教学环境下的立定跳远提供具有相位特异性、高准确度的质量评估与反馈。

本文提出了一种用于组合图像检索的零样本自适应框架，该框架利用来自无标签图像的结构化语义监督，在不依赖人工标注三元组的情况下，提升了标注匮乏领域的细粒度检索性能。

本文提出了 MESFusion，这是一个通过结合模态感知增强模块、用于捕获长程依赖关系的空域门控 Mamba 模块以及统计引导自适应融合模块，来解决多模态医学图像融合中异构特征分布和自适应集成挑战的新型框架，从而在不同数据集上实现鲁棒且高质量的融合。

本文提出了一种轻量级特征重校准策略，通过在系数回归分支中自适应地强调相关通道，增强了傅里叶轮廓回归在遥感目标检测中的准确性，在多个基准测试上实现了显著的性能提升，且计算开销微乎其微。

本文提出了一种具有约束动态融合机制的时空-频率双域框架，以有效平衡全局结构建模与局部细节保留，从而在抑制振铃伪影的同时，实现了最先进的运动去模糊性能。