cs 篇论文 | Gist.Science

本文介绍了 ChainTrust-LLM，这是一个将专家反馈与基于有向无环图（DAG）的区块链账本相结合的新型框架，旨在检测并缓解医疗大语言模型中的幻觉问题，在确保安全、可审计交互且保持极低延迟的同时，实现了错误率 64.8% 的降低。

本文提出了一种混合式孪生深度学习框架，该框架融合了上下文 BERT 嵌入、基于 GloVe 的词汇 CNN-BiLSTM 特征以及手工构建的语言学指标，以有效地检测社区问答平台上的重复问题，并在 Quora Question Pairs 数据集上实现了 85.03% 的准确率。

本文提出了飞行甲板安全智能应急决策框架（IEDFS），这是一个集成了动态推理、多智能体协同决策和分层路径规划的闭环系统，与传统的静态方法相比，该系统能显著提升海军飞行甲板紧急情况下的火灾控制、人员生存及行动恢复能力。

本范围综述识别了现有的基于元数据的生成合成健康数据的方法，并强调了其在标准化评估、伦理指导以及在联邦分析背景下对代码开发的特定适用性方面存在的关键空白。

本文实证评估了一种从恶意软件检测中改编而来的漂移感知增量聚类方法，用于识别以太坊上的加密货币“拉地毯”（rug pulls）行为，研究发现，尽管该方法在某些情况下提供了较低的误报率，但定期重新训练的有监督基准模型最终实现了更高且更稳定的整体性能。

本文通过建立一个将神经网络与机理方程相联系的统一数学框架，系统化了新兴的混合神经建模领域，在阐明两者在推理与预测中的作用的同时，为不确定性量化提供了一个流形学习视角。

本研究提出了动态自适应融合模型（DAFM），这是一种实时智能预测系统，通过自适应门控机制动态整合决策树、随机森林、XGBoost 和 BiLSTM 网络，旨在克服静态模型的局限性，从而在石油产量预测方面实现了卓越的准确度（R² = 0.97）和快速推理。

本文介绍了 ModernBERT-TR，这是一个拥有 1.5 亿参数的土耳其语编码器，基于 ModernBERT 架构和自定义分词器，在 1444 亿个 token 上从头开始预训练，其性能显著优于现有的土耳其语基准模型，并且尽管训练资源消耗大幅减少，仍能与规模更大的同期模型相媲美。

DriftSense++ 是一个动态框架，它通过采用一种闭环、区域感知的方案来检测并自适应地管理数据漂移和概念漂移，从而增强了空间众包任务分配，并在多种真实世界数据集上，在准确率、误报减少和恢复速度方面显著优于现有方法。

本文专注于评估各种机器学习技术，以有效地检测和预测 SQL 注入攻击，这类攻击允许攻击者操纵数据库查询并破坏服务器安全性。