Explainable Artificial Intelligence (XAI) Adaptive Encryption Email Security Cybersecurity Machine Learning
本文提出了一种可解释的敏感性感知加密框架,该框架利用带有 SHAP 可解释性的随机森林模型来动态评估电子邮件的敏感性,并应用自适应混合 AES–ECC 加密,从而在企业通信的计算效率与强健保护之间实现平衡。
4099 篇论文
本文提出了一种可解释的敏感性感知加密框架,该框架利用带有 SHAP 可解释性的随机森林模型来动态评估电子邮件的敏感性,并应用自适应混合 AES–ECC 加密,从而在企业通信的计算效率与强健保护之间实现平衡。
本文提出了 Agentic CAMA-DRL,一种上下文感知的多智能体深度强化学习框架,该框架通过协调配送运营商、充电站、车队规划师和环境监管机构,来优化城市最后一公里物流中的电动自行车充电,与传统的基于规则的方法相比,在提高车队利用率、准时性、减少拥堵以及降低二氧化碳排放方面取得了显著改进。
本研究提出了一种用于教育数据挖掘中堆叠集成学习的可推广七步工作流,通过严格的跨机构验证和数据泄露审计,揭示了仅靠算法复杂度并不能确保预测准确性,并强调了机构校准与方法论严谨性的至关重要性。
本文提出了一种 HDFC-ASS,这是一种分类-回归协同模糊代理辅助进化算法,该算法通过集成变量相关性引导的 Kriging 策略、模糊分类器辅助的局部开发机制以及收敛度-多样性-不确定性协同准则,旨在严格的评估预算下有效解决昂贵的高维多目标优化问题。
本研究提出了一种基于 MobileNetV2 的轻量级卷积神经网络(CNN),用于基于多光源面部成像的多参数皮肤评估,在展示该方法潜力的同时,也强调了由于数据集不平衡和样本量较小而在特征提取和性能方面存在的当前局限性。
本研究提出了一种结合了 InceptionResNetV2 和 ResNet-18 的集成深度学习模型,该模型基于本地采集的尼日利亚乳腺 X 线摄影数据进行训练,在将乳腺癌分类为 BI-RADS 类别方面达到了 99.26% 的准确率,其表现优于单一模型,并强调了使用具有本地代表性的数据集对于人工智能开发的重要性。
本文介绍了 LiteChestGreenXY11n,这是一个基于 YOLO11n 的轻量级且具有可解释性的框架,它在胸部 X 线异常定位方面实现了诊断准确性、计算效率和能源可持续性之间的最佳平衡,在超越大型模型的同时,通过 Grad-CAM 可视化增强了临床信任。
本文介绍了 HEAL,这是一个双语(英语-卢干达语)RAG 聊天机器人,它通过将 GPT-4 与经过微调的翻译模型相结合,在为乌干达一线卫生工作者提供准确且符合指南的疾病监测信息方面,表现优于商业模型。
本文提出了 SubNM,一种感知技术节点的硬件木马检测框架,该框架利用多库网表综合和模块化图神经网络,实现了近乎完美的检测精度以及在不同半导体工艺节点间的鲁棒泛化能力,克服了单一配置评估方法的局限性。
该论文介绍了 Agora,一个通过映射到模型参数的六种连续心理驱动力来区分多智能体大语言模型系统的框架,并证明了与 AutoGenStyle 等基准相比,这种方法显著提升了在分析型任务上的性能,而更简单的协调策略在创意和短篇生成任务中仍然更为有效。