💻 计算机科学
An Intelligent YOLO26-Based Early Warning Framework for Drone Detection in Critical Infrastructure Surveillance
本文提出了一种基于 YOLO26 深度学习模型的智能实时无人机检测与预警框架，用于关键基础设施监控，该模型在自定义的多场景数据库上进行了训练，并通过与基准模型的对比，证明了其在识别小型、远距离及挑战性无人机目标方面具有卓越的准确率和速度。
💻 Category
cs
4157 篇论文
💻 计算机科学
Recursive Transport Topology Detects Structural Regime Transitions Associated with Behavioral Failure in World Models
本文表明，对潜在传输拓扑进行递归索引（RIX）分析可以检测到世界模型中先于行为失效发生的结构性状态转换，从而揭示了即便表示在点层面上保持稳定，其底层的组织结构也可能在压力下发生崩溃。
💻 计算机科学
Tamarin (HSQ): Reversible Hierarchical KV-Cache Compression for LLM Inference
Tamarin (HSQ) 引入了一种可逆的三层分级 KV 缓存压缩方案，通过将 Token 路由至焦点层、学习到的摘要向量以及基于 CPU 的存档层，在保持接近基准水平的困惑度（perplexity）和检索准确度的同时，实现了长上下文大语言模型推理中 12–28 倍的 GPU 显存缩减。
💻 计算机科学
A Graded Autonomy Framework for Governing Agentic AI in Health Care
本文提出了一种借鉴自汽车 J3016 标准的分级自治框架，通过将系统划分为三个领域和六个等级来管理医疗领域的代理式人工智能，旨在实现能力与授权的分离，从而通过一个自主脓毒症管理的实际案例，解决当前评估指标中存在的安全性差距问题。
💻 计算机科学
Adaptive-Hazard Bayesian Online Change-Point Detection for Text Streams: A Dirichlet-Multinomial Formulation
本文提出了一种针对文本流的自适应风险贝叶斯在线变化点检测方法，该方法通过狄利克雷-多项式公式根据词汇分布漂移动态调整重置概率，证明了在涉及渐进式或微弱词汇变化的情景下，其具有改进的检测性能并降低了延迟。
💻 计算机科学
Large scale IoT Intrusion Detection using Isolation Forest and Mutual Information based Feature Selection
本文证明了在处理大规模物联网入侵检测任务时，结合互信息特征选择的孤立森林算法在 NF-ToN-IoT-v3 数据集上通过实现更高的准确率、F1 分数和 AUC，同时保持较低的计算复杂度，其表现优于自动编码器和集成学习方法。
💻 计算机科学
A Multi-Agent Framework for Explainable Prompt Injection Detection in Large Language Models
本文介绍了 PromptShield，这是一个可解释的多智能体框架，它将基于 Transformer 的语义分析与 SHAP 和 LIME 等 XAI 技术相结合，以有效地检测并解释大语言模型中的提示注入攻击。
💻 计算机科学
Temporal Multi-Signal Fusion for Token-Level Hallucination Detection
本文提出了一种将幻觉视为序列标注问题的时序多信号融合方法，通过使用 BiGRU 结合文本统计、NLI 蕴含和语言模型惊异度，在利用时序上下文而非模型容量的基础上，在 RAGTruth 上实现了 0.840 的显著 AUC 提升，同时在闭源和未见模型上保持了有效性。
💻 计算机科学
A Risk-Oriented Verification and Validation Framework for Hallucination Detection in Public-Sector LLM Systems
本文提出了一种面向风险的验证与确认框架，通过引入一个用于指导延迟处理或人工升级等操作决策的综合风险指数，将公共部门大语言模型中的幻觉检测从一个纯粹的技术挑战转变为一个治理问题，从而确保法律确定性与行政问责制。
💻 计算机科学
Forecasting the Onset of Hallucination: Causal, Token-Level, Black-Box Survival Analysis During Generation
本文引入了一种因果性的、标记级（token-level）的生存分析框架，该框架通过检测文本新颖性漂移（text-novelty drift），成功地在大型语言模型产生幻觉之前对其进行预测，实现了 0.777 的 AUROC，并比传统的后验检测器提前约 11 个标记发出预警。