2305 篇论文
本文提出了 HT-CS，这是一种结合了 Hoeffding Tree 回归器、ADWIN 漂移检测以及样本级加权的代价敏感增量学习框架，该框架在保持低延迟和小型模型占用的同时，显著提高了在资源受限的 Raspberry Pi 4B 设备上对关键温度事件的召回率和预测准确度。
本研究提出了一种改进的 AEP2-YOLOv8s 模型，该模型集成了 ROI 提取、背景归一化、AIFI 模块、EMA 注意力机制以及四尺度检测架构，旨在实现对蛋壳表面微小污染物的高精度、无损识别，其准确率显著优于原始的 YOLOv8s。
该论文提出了 DeepHistoViT，这是一个可解释的视觉 Transformer 框架，它通过利用注意力机制来定位具有诊断相关性的区域，在肺癌、结肠癌和急性淋巴细胞白血病的组织病理学图像分类中实现了最先进的准确率和统计稳健性。
本文提出了一种面向过程的融合网络（PFN），通过对变长材料组成、标称配比先验以及阶段特定工艺条件进行联合建模，有效解决了多物料、多阶段纱线质量预测的挑战，在关键质量指标上实现了优于现有方法的性能。
本文表明，虽然选择异构集成成员的最优组合比均匀混合能带来微小的收益，但它并不能超越仅仅选择表现最好的单一族群，这揭示了所感知的提升潜力在很大程度上是选择偏差的产物，而非真正的未开发性能。
本研究评估了重复暴露（duplicate exposure）和候选集覆盖度压力测试（candidate-coverage stress testing）对临床缩略语语义识别清单（Clinical Abbreviation Sense Inventory, CASI）的影响，结果表明，尽管数据泄露对总体准确率的影响微乎其微，但高支持度置信度校准（high in-support confidence calibration）未能可靠地检测出正确语义缺失于候选集中的情况。
本文介绍了代理树（Agent Tree, A-Tree），这是一种神经网络树的可解释性扩展，它利用专门的代理和一步前瞻机制来增强高风险领域的决策透明度与准确性，并通过在计算机视觉专利分类及创新规则挖掘中的成功应用进行了验证。
本文介绍了 MAFL-PdM，这是一个多智能体联邦学习框架，它利用联邦后个性化技术，在保护数据隐私的同时，在预测异构工业物联网站点的设备剩余使用寿命方面，显著优于集中式训练和联邦基准模型。
本文证明了在共享云端 FPGA 上的完全无特权共同租户，可以通过利用 DDR4 行缓冲（row-buffer）时序侧信道，通过逆向工程银行映射（bank mapping）以及跨多次加密的统计聚合，克服“每银行一个插槽”的限制，从而从受害者处恢复完整的 AES-128 主密钥。
本文提出了一种混合深度集成入侵检测系统（HDE-IDS），该系统通过将增强型 Transformer 的深度神经网络与 XGBoost 以及自适应零信任安全相结合，旨在显著提高工业物联网基础设施中恶意软件检测的准确性、稳定性及实时韧性。