4109 篇论文
这项受控实证研究表明，将大语言模型的响应框架设定为面向对抗性事实核查者而非直接提问者，能够通过激活潜在知识，系统性地减少诸如谄媚和虚假编造等结构性病理现象，这种效应在不同模型中均具有鲁棒性，但对人类用户而言是不可察觉的，因此必须在系统端进行实现。
本文提出了 MCFN，一种轻量级的多路径复合融合网络，该网络通过跨路径注意力机制和 FiLM 调制整合了纹理、边缘和频率线索，在仅有 633 万个参数的情况下，在多个基准测试中实现了最先进的深度伪造检测精度。
本文介绍了模拟扩散模型（Analog Diffusion Models, ADMs），该模型利用模拟硬件动力学与隐式扩散推理之间的不动点对应关系，在无需重新设计模型或牺牲与标准训练生态系统兼容性的情况下，实现了全模拟、高效率的生成式人工智能。
本文介绍了 OPCNet，这是一种新型神经网络模型，它通过学习带有扰动的底层线性 ODE 动力学来识别并拟合高频振荡数据，证明了其在捕捉振荡模式方面优于现有方法。
本文通过提出一种将治理与执行约束直接嵌入决策过程的闭环框架，旨在解决智能系统中的“洞察到行动的差距”问题，从而通过优化延迟、风险和成本，确保行动在构建上即是安全、可审计且可执行的。
本文引入了独立性假设足迹（Independence-Assumption Footprint, IAF）审计协议，旨在证明尽管 NVIDIA Nemotron-Personas-Korea 数据集与官方边缘人口统计数据保持一致，但它未能保留职业、年龄和性别等属性之间的关键联合分布结构，从而确立了仅靠边缘一致性不足以确保合成数据的保真度。
本文提出了一种混合智能导航框架，该框架将增强型势场引导的 AP-RRT 全局规划器与自适应加权动态窗口法（DWA）局部控制器相结合，旨在复杂的动态环境中实现鲁棒、高效且平滑的自主导航。
本文介绍了一种名为 SAFER-MIND 的新颖框架，该框架通过结合多维文本集成、校准概率建模和符合性预测，来增强社交媒体心理健康风险检测的安全性和可解释性，从而在区分高置信度决策与需要人工审查的案例的同时，实现高准确率并最大限度地减少风险性错误。
本文提出了一种检索增强生成（RAG）流水线，通过将大语言模型（LLM）的响应锚定在经过策划的医药知识库中，显著减少了幻觉并提高了药物相关问答的事实准确性，从而降低了关键的患者安全风险。
本文提出了一种临床元数据与语义解释引导的多模态深度学习框架，该框架将皮肤镜图像与临床及诊断属性相结合，与仅基于图像的方法相比，显著提高了皮肤病变识别的准确性与可解释性。