cs 篇论文 | Gist.Science

本文提出了一种统一的两阶段混合框架，该框架将一种模式感知运动分类流水线与基于强化学习的卡尔曼滤波噪声参数自适应调优相结合，以增强自动驾驶车辆在应对 GPS 欺骗时的导航精度与鲁棒性。

本文提出了 CGHC-S128，一种结合了完全图希尔密码（Complete Graph Hill Cipher）与 Shift128 残差加密的混合加密框架，旨在安全且高效地加密任何大小的通用二进制文件而无需填充，同时确保数学上的密钥可逆性、完美的解密性能以及对密码分析攻击的强抵抗力。

本文提出了CAI算力定律，即一个定量框架（C = A/I），旨在证明通过优化算法和净化信息资源可以显著提升有效算力并缓解收益递减问题，从而引导各行业实现算力、算法与广义信息之间的动态三方平衡，而非仅仅依赖硬件扩张。

本文提出了一种面向烟草企业的、由大数据驱动的预警模型，该模型集成了可扩展的分布式数据流水线、高级特征工程以及集成学习系统，旨在克服传统监测的局限性，从而实现实时、准确且具可解释性的安全风险检测与决策支持。

本文介绍了 OBFM-SafeEnsemble，这是一个受保护的跨爆发迁移学习框架，它利用源先验和自适应正则化，在显著提高数据匮乏的埃博拉疫情中确诊状态预测能力的同时，通过严格的验证和集成选择来防止有害知识迁移。

本文提出了一种人工智能驱动的自适应混合密码系统，该系统根据文件特征动态分配单模希尔密码（Unimodular Hill Cipher）与 RSA-OAEP 加密，并利用逻辑混沌映射（Logistic Chaotic Maps）进行密钥生成，旨在为通用二进制文件实现稳健、高效且无损的安全保障。

本研究对 2015 年至 2026 年间基于深度学习的黑色素瘤检测研究进行了全面的文献计量学和系统性综述，重点介绍了卷积神经网络（CNN）架构和迁移学习的关键趋势，同时识别了数据集不平衡和临床验证等关键挑战，以指导可靠诊断系统的未来发展。

本文介绍了一种置信度门控多模态框架，该框架整合了文本嵌入、声学特征以及语音引导的情感描述，以动态加权模态可靠性，在通过严格的嵌套交叉验证解决评估泄漏问题的同时，实现了最先进的抑郁症检测性能。

本文揭示了 TrustZone-M 执行证明易受非安全 DMA 控制器导致的状态篡改攻击，因为其安全保证仅依赖于 CPU 隔离，并提出了一种使用每通道 DMA 安全性的轻量级缓解方案，以确保针对所有总线主机的状态真实性。

本研究审计了模型压缩技术对使用 MIMIC-IV 进行的 ICU 急性肾损伤（AKI）风险预测中子群公平性的影响，揭示了虽然朴素量化可能会导致性能灾难性下降，且剪枝会显著损害子群准确性，但为了避免伪公平性主张并解决由子群规模较小所导致的内在差异，必须采取适当的方法论控制。