cs 篇论文 | Gist.Science

本文提出了一种具有结构感知课程学习的语义增强多任务框架，利用 Qwen2-7B-Instruct 和生成式语义角色标注来解决语义失配并优化训练动态，从而显著提升低资源神经机器翻译的性能。

本文介绍了一种动态自适应多模态图融合网络（DAMGF-Net），这是一种新型深度学习模型，能够动态整合遥感、社交媒体、物联网和地震数据，从而在地震、洪水、火灾及烟雾的多灾种识别中实现高度准确、可解释且近实时的监测。

本研究介绍了 FZ-VLM，一种新型的两阶段 Florence-Zephyr 视觉语言模型框架，该框架能够自动从肺部 CT 扫描中提取放射学属性，并生成具有临床相关性的结节描述及随访建议，证明了其与现有 AI 基准和人类专家相比具有更高的准确性和完整性。

本文介绍了 TurkCite，一个用于对土耳其学术文献中的引用意图进行分类的框架及专家标注数据集，证明了特定语言的 Transformer 编码器优于基于翻译的迁移，同时为非英语文献计量分析提供了经过提示词优化的、作为有效免训练替代方案的大型语言模型。

本文提出了 SI-GP，一种求解器知情的遗传编程超启发式算法，该算法通过从高质量参考解中提取并选择特定实例的启发式特征，增强了针对带时间窗的随机团队定向问题（STOW）的可解释调度规则，从而在保持规则可读性和稳定性的同时，性能优于现有基准算法。

本文提出了 RC-NSGA-II，这是一种新型多目标优化算法，该算法集成了基于 K-means 的子空间贡献驱动资源分配、随机密钥编码以及自适应局部搜索，旨在有效解决复杂的卡车-无人机协同配送三目标问题，并在各种基准实例中展示了在解质量和效率方面的卓越性能。

本文提出了一种利用硬件耦合贝叶斯优化、迁移学习和漂移感知反馈的自调优框架，旨在动态优化资源受限决策系统中轻量级加密参数，从而在无需人工干预的情况下实现安全性、能量效率与性能之间的平衡。

本研究提出了一种结合了用于趋势提取的 SARIMA、用于捕捉非线性动态的 TCN 以及用于超参数优化的 SCSO 的混合空气质量预测模型，证明了其相比传统方法在准确性和鲁棒性方面的显著提升。

本文提出了一种基于 YOLOv11 的轻量级且鲁棒的框架，该框架利用针对病灶的自监督预训练和分层两阶段分类器，在保持对移动设备典型图像退化具有韧性的同时，在 HAM10000 数据集上实现了高准确度的非侵入式黑色素瘤检测。

本文提出了一种用于自动驾驶车联网的透明且隐私保护的可解释联邦学习框架，该框架通过整合分布式特征选择与可解释人工智能，在保持数据局部性和决策可信度的同时，实现了高准确率的多分类网络攻击预测。