💻 计算机科学
Text-to-image models globally default to male, enforce gender stereotypes, and penalize female and nonbinary representations
这项研究呈现了对文本生成图像模型最大规模的全球性分析，揭示了这些模型系统性地默认以男性形象呈现，强化僵化的性别刻板印象，并边缘化非二元性别身份，从而放大了结构性的性别偏见，并对代表性不足的群体造成心理伤害。
💻 Category
cs
3775 篇论文
💻 计算机科学
Fine-Grained Remote Sensing Semantic Segmentation via Optical–DSM Collaborative Enhancement and Frequency-Guided Decoding
本文提出了一种新颖的遥感语义分割框架，该框架通过模态特定编码、层级跨模态交互以及频率引导解码，将光学图像与数字表面模型进行集成，以有效解决细粒度结构识别、边界精度和小目标检测方面的挑战。
💻 计算机科学
ARES: Conflict Escalation Early Warning System
本文介绍了 ARES，这是一个可解释的多源预警系统，它将异构数据流整合进一个模块化架构中，旨在生成具有可解释性的地缘政治升级风险评分，同时优先考虑操作透明度与可追溯性，而非未经证实的预测性主张。
💻 计算机科学
Evaluating the Safety Tolerances of Speech Recognition AI for Look-Alike/Sound-Alike (LASA) Clinical Nomenclature under Acoustic Stress
本研究表明，标准的词错误率（Word Error Rate）指标无法捕捉开源语音识别模型在临床环境中的关键安全风险，因为这些模型在声学压力下会表现出非线性的性能崩溃以及危险的药物名称外观相似/读音相似（Look-Alike/Sound-Alike）转录错误。
💻 计算机科学
Quantifying Uncertainty in LLM-Extracted Causal Relations for Safety-Critical Decision Support
本研究提出并评估了一个综合框架，该框架通过多源信号和符合性预测（conformal prediction），量化了从安全关键型叙述中由大语言模型提取的因果关系的确定性，证明了经过校准的置信度估计能显著提高提取精度，并能实现具有成本效益的专家分诊，从而实现可靠的风险知情决策。
💻 计算机科学
Attribution Consistency in Fine Tuning Makes Refusal Less Sensitive to Paraphrase in a Small Tool Using LLM Agent
这项初步研究表明，在微调过程中应用潜在归因正则化（Latent Attribution Regularization, LAR）能够提高小型工具使用型大语言模型智能体的归因一致性，从而降低其对改写后的有害请求的敏感性，并在不显著损害检测性能的情况下稳定拒绝决策，尽管如果将其应用于无害示例则存在过度拒绝的风险。
💻 计算机科学
Teleoneutrosophic Logic for Three-Way Authorisation of Institutional AI Agents
本文提出了一种远程中性逻辑（Teleoneutrosophic Logic），这是一种具有溯源意识的框架，它将用于效果和目的的独立中性三元组相结合，以实现机构人工智能代理的三方授权，通过区分合法的外部请求与恶意诱导，从而有效地减少直接伤害的传递。
💻 计算机科学
Decided or Open? Comparing Program Repair Techniques When Patch Correctness Is Unknown
本文提出了一个“已定或开放”框架，通过计算可能的成功率差异的全范围，在不确定性下比较自动化程序修复技术，从而使研究人员能够识别哪些比较可以通过进一步测试来解决，并揭示不同模型之间存档测试结果可靠性的显著差异。
💻 计算机科学
ΔPPL Is Not ΔCE: The Scale-Dependence Confound in Generative Continual-Learning Forgetting Metrics
本文表明，将生成式持续学习中的遗忘情况报告为原始困惑度变化（ΔPPL），会引入一个依赖于尺度的混淆因素，从而根据基础困惑度水平人为地夸大或缩小差异化遗忘率，并据此主张使用交叉熵（ΔCE）作为一种尺度不变的指标，以揭示真实的底层模型漂移。
💻 计算机科学
Regrets, I've Had a Few: Approximating (Subgame-Perfect) Nash Equilibria via Deep Regret Actor-Critic
本文提出了深度遗憾演员-评论家（Deep Regret Actor-Critic, DRAC）算法，该算法通过采用中心化架构和基于蒙特卡洛的平稳目标，将优化目标从效用最大化转向遗憾最小化，从而在连续一般博弈中逼近子博弈精炼纳什均衡，进而克服了非平稳性问题，并在收敛性和可利用性方面优于 MADDPG 等现有方法。