💻 计算机科学
OPERA: Enabling Inter-node Concurrency in Byzantine Fault Tolerant Blockchains
本文介绍了 OPERA，这是一种拜占庭容错执行模型，它通过部分复制和节点间并行性将并发性扩展到各节点，在不损害安全性或应用语义的前提下，显著降低了区块链的执行成本并提升了吞吐量。
💻 Category
cs
4153 篇论文
💻 计算机科学
Graph-Aware Reinforcement Learning for Reusable Prompt Compression in Black-Box LLMs
本文提出了一种任务感知图强化学习框架，通过训练一个轻量级策略对图结构化推理单元进行抽取式的“保留或丢弃”决策，从而压缩黑盒大语言模型中可重用的推理上下文，在显著降低输入成本的同时保持了推理准确性。
💻 计算机科学
An SO(3)-equivariant reciprocal space neural potential for long-range interactions
本文介绍了 EquiEwald，这是一种新型的 SO(3) 等变神经原子间势能，它将 Ewald 求和扩展到倒易空间，以有效地捕捉长程静电和极化相互作用，同时保留方向相关信息，从而显著提高了机器学习模型在周期性和非周期性系统中的准确性和数据效率。
💻 计算机科学
Nonequilibrium training dynamics and scaling laws of language models
本文提出了一种基于非平衡物理学的随机多尺度理论，旨在解释语言模型缩放法则的机制起源，将训练建模为一种尺度相关的偏置随机游走，从而推导出损失相对于数据与模型规模的解析幂律，并识别出上下文压缩与前沿吸收的二分两相动力学过程。
💻 计算机科学
Knowledge-Constrained Reasoner: Attempting to Enable LLMs to Parse Knowledge for Question Answering
本文介绍了知识约束推理器（Knowledge-Constrained Reasoner），这是一种通过单一对齐阶段将核心推理能力内化到大语言模型中的新颖方法，从而确保在问答过程中能够严谨且正确地利用外部知识，并将传统专家系统的可靠性与非参数化连续学习的灵活性结合在一起。
💻 计算机科学
An Explainable MoE-Based Decision-Support System for Mental Health Risk Prediction in Engineering and Medical Students
本研究提出了一种基于加权专家混合模型（Weighted Mixture of Experts）的可解释决策支持系统，该系统通过双重元启发式算法进行了优化，在预测中低收入国家工程类及医学类学生心理健康严重程度方面实现了高准确度，同时揭示了不同学科之间截然不同的风险因素。
💻 计算机科学
Training-Time Regularization for Inference-Time Monitoring-A Unified Framework for Self-Supervised World Models
本文识别并解决了“正则化-监测困境”，即一种根本性的冲突：为了实现自监督世界模型（如 JEPA）稳定训练所需的边际高斯化过程，会不经意地抑制用于可靠推理时异常检测的判别性几何结构。
💻 计算机科学
Melanoma Detection Using Deep Convolutional Neural Networks: Architectures, Datasets, and Performance
本文对用于自动黑色素瘤检测的深度卷积神经网络架构、数据集及预处理策略进行了系统性综述，强调了它们的高准确率、当前面临的挑战（如类别不平衡和可解释性问题）以及未来的发展方向（如联邦学习和混合模型）。
💻 计算机科学
When Does Causal Pretraining Beat Direct Small-Data Causal Learning? Towards a causal foundation model
本文介绍了 SciCFM，这是一个因果基础模型框架，它证明了富含干预的跨任务预训练能显著提高在极小数据、复杂因果机制下的处理效应估计能力，尽管在低维设置下其效果仍逊于直接正则化估计器。
💻 计算机科学
From Large Language Models to Multimodal Intelligence: Bridging AI and Cognitive Science
这篇综述文章指出，尽管大语言模型展示了令人印象深刻的认知能力，但人工智能未来的进步需要通过具身经验、层级调制和自主强化来弥合通往多模态智能的差距，以克服仅限语言系统的固有局限性。